Feinabstimmende Entitätstypisierung mittels Label-Reasoning

Konventionelle Ansätze zur Entitäts-Typisierung basieren auf unabhängigen Klassifikationsparadigmen, wodurch die Erkennung voneinander abhängiger, langschwänziger und fein granularer Entitätstypen erschwert wird. In diesem Paper argumentieren wir, dass die implizit enthaltenen extrinsischen und intrinsischen Abhängigkeiten zwischen Etiketten entscheidendes Wissen liefern können, um diese Herausforderungen zu bewältigen. Dazu stellen wir das \emph{Label Reasoning Network (LRN)} vor, das fein granulare Entitätstypen sequenziell durch die Entdeckung und Ausnutzung von in den Daten implizit enthaltenen Label-Abhängigkeitswissen ableitet. Konkret nutzt LRN ein autoregressives Netzwerk zur deduktiven Schlussfolgerung und einen bipartiten Attributgraphen zur induktiven Schlussfolgerung zwischen Etiketten, wodurch komplexe Label-Abhängigkeiten effektiv, lernfähig und sequenz-zu-Menge, end-to-end modelliert und erschlossen werden können. Experimente zeigen, dass LRN die derzeit beste Leistung auf etablierten Benchmarks für ultra-fein granulare Entitäts-Typisierung erzielt und zudem das Problem langschwänziger Etiketten effektiv adressieren kann.