既存のエンティティタイプ付けシステムは、通常、知識ベース（KB）スキーマによって提供されるタイプ階層を活用してラベル相関をモデル化し、全体的な性能向上を図っています。しかし、これらの手法は、タイプ集合がKBスキーマに制限されず、多数の自由形式のタイプを含むよりオープンで実践的なシナリオには直接適用できません。手動でアノテーションされたラベル構造にアクセスできない状況下でもラベル相関をモデル化するため、私たちは新しいラベル関係的誘導バイアスを提案します。これは、グラフ伝播層によって表現され、効果的に全体的なラベル共起統計と単語レベルの類似性の両方を符号化します。10,000以上の自由形式のタイプを持つ大規模データセットにおいて、グラフ強化型モデルは注意に基づくマッチングモジュールを装備しており、高い精度を維持しながら大幅なリコールスコア向上を達成しています。具体的には、相対F1値で15.3%の改善が見られ、出力の一貫性も高まっています。さらに、提案したグラフ層の簡単な修正により、KBスキーマタイプのみを含む従来の広くテストされたデータセットでの性能も向上することが示されています。