Amélioration de la résolution de co-référence par l'apprentissage de représentations distribuées au niveau des entités

Un défi de longue date dans la résolution de co-référence a été l'incorporation d'informations au niveau des entités - des caractéristiques définies sur des clusters de mentions plutôt que sur des paires de mentions. Nous présentons un système de co-référence basé sur un réseau neuronal qui génère des représentations vectorielles à haute dimension pour les paires de clusters de co-référence. En utilisant ces représentations, notre système apprend quand il est souhaitable de combiner des clusters. Nous formons le système avec un algorithme d'apprentissage par recherche qui lui enseigne quelles décisions locales (fusions de clusters) conduiront à une partition finale de co-référence bien notée. Le système surpasse considérablement l'état actuel de l'art sur les parties anglaise et chinoise du jeu de données CoNLL 2012 Shared Task, malgré l'utilisation de peu de caractéristiques conçues manuellement.