Apprentissage d'une augmentation dynamique du contexte pour le lien d'entités global

Malgré les récents succès des méthodes d’association collective d’entités (EL), ces approches dites « globales » peuvent produire des résultats sous-optimisés lorsque l’hypothèse d’«cohérence de toutes les mentions» est violée, et souffrent souvent d’un coût computationnel élevé lors de l’étape d’inférence en raison de l’espace de recherche complexe. Dans cet article, nous proposons une solution simple mais efficace, appelée Augmentation Dynamique du Contexte (DCA), pour l’association collective d’entités, qui nécessite uniquement un passage unique à travers les mentions d’un document. La DCA accumule séquentiellement les informations contextuelles afin de permettre une inférence collective efficace, et peut s’adapter à différents modèles locaux d’EL en tant que module plug-and-enhance. Nous explorons à la fois des stratégies d’apprentissage supervisé et d’apprentissage par renforcement pour l’entraînement du modèle DCA. Des expériences étendues démontrent l’efficacité de notre modèle sous diverses configurations d’apprentissage, différents modèles de base, ordres de décision et mécanismes d’attention.