Moderne große vortrainierte Sprachmodelle (PLMs) haben auf einer Vielzahl von Downstream-Aufgaben erhebliche Erfolge erzielt. Allerdings konzentrieren sich die meisten Vortrainingsziele von Sprachmodellen ausschließlich auf die Rekonstruktion von Text, ohne danach zu streben, latente, interpretierbare Darstellungen von Sätzen zu erlernen. In diesem Artikel schlagen wir ein neues Vortrainingsziel vor – Sparse Latent Typing –, das es dem Modell ermöglicht, eine tiefere Verständnis von Sätzen zu entwickeln, indem es seltene, satzbezogene Schlüsselwörter mit vielfältigen latenten Typen sparsam extrahiert. Experimentelle Ergebnisse zeigen, dass unser Modell in einer selbstüberwachten Weise in der Lage ist, interpretierbare latente Typkategorien zu lernen, ohne externe Wissensquellen zu nutzen. Darüber hinaus verbessert das Sprachmodell, das mit diesem Ziel vortrainiert wurde, Aufgaben der Informationsextraktion in sowohl überwachten als auch Few-Shot-Szenarien signifikant. Unser Quellcode ist öffentlich verfügbar unter: https://github.com/renll/SparseLT.