固有表現の曖昧性解消（Named Entity Disambiguation: NED）とは、テキスト中の固有表現（mention）を知識ベース内のエンティティにマッピングするタスクであるが、その課題の一つとして、訓練データ中に稀にしか登場しないエンティティ、いわゆる「テールエンティティ（tail entities）」の曖昧性解消がある。人間は、エンティティに関する事実、関係、タイプといった知識に基づいた微細な推論パターンを用いて、なじみのないエンティティを解釈することができる。このような人間の推論パターンに着想を得て、本研究では、曖昧性解消に特化した推論パターンに基づいて明示的に設計された自己教師付きNEDシステム「Bootleg」を提案する。我々は、曖昧性解消に核心的な役割を果たす推論パターンを定義し、それらのパターンを学習するための学習プロセスを構築した。さらに、弱教師付き学習（weak supervision）を活用して訓練データ内の信号を強化する手法を提示する。これらの推論パターンを単純なTransformerアーキテクチャに組み込むことで、Bootlegは3つのNEDベンチマークにおいて、既存の最先端手法と同等またはそれを上回る性能を達成した。さらに、Bootlegによって学習された表現が、エンティティベースの知識を必要とする曖昧性解消以外のタスクにも有効に転移できることを示した。具体的には、代表的な関係抽出タスクであるTACREDにおいて、1.0のF1スコア向上により新たな最先端性能を達成し、大手テクノロジー企業における高度に最適化された検索システムおよびアシスタントタスクにおいて、最大8%の性能向上を実証した。