要約
従来のエンティティタイプ分類アプローチは、独立した分類枠組みに基づいているため、相互に依存する、長尾型の、また細粒度なエンティティタイプを認識することが困難である。本論文では、ラベル間の暗黙的に含意される外的・内的依存関係が、上記の課題に対処するための重要な知識を提供しうると主張する。これに基づき、我々はデータ中に内在するラベル依存関係の知識を発見・活用することで、細粒度エンティティラベルを逐次的に推論する「ラベル推論ネットワーク（Label Reasoning Network, LRN）」を提案する。具体的には、LRNは自己回帰ネットワークを用いて演繹的推論を実行し、二部属性グラフを用いてラベル間の帰納的推論を実現する。これにより、シーケンスからセットへの、エンド・トゥ・エンドの枠組みで、複雑なラベル依存関係を効果的にモデル化・学習・推論することが可能となる。実験の結果、LRNは標準的な超細粒度エンティティタイプ分類ベンチマークにおいて最先端の性能を達成するとともに、長尾ラベル問題の解決にも有効であることが示された。