딥 강화학습을 이용한 공동 실체 연결

엔티티 링킹은 주어진 지식 기반에서 언급된 항목들을 해당 엔티티와 일치시키는 작업입니다. 이전 연구들은 엔티티 링킹 시스템이 전역 일관성을 포착하는 것이 필수적임을 강조해왔습니다. 그러나 이전의 전역 모델에는 두 가지 일반적인 약점이 있습니다. 첫째, 대부분의 모델은 모든 후보 엔티티 간의 쌍별 점수를 계산하고 가장 관련성이 높은 엔티티 그룹을 최종 결과로 선택합니다. 이 과정에서 올바른 엔티티뿐만 아니라 잘못된 엔티티들 사이의 일관성도 포함되므로, 노이즈 데이터를 도입하고 모델 복잡성을 증가시킬 수 있습니다. 둘째, 이전에 해소된 엔티티들의 힌트가 후속 언급들의 해소에 기여할 수 있음에도 불구하고, 이전 모델들은 이러한 힌트를 무시하는 경향이 있습니다. 이러한 문제들을 해결하기 위해, 우리는 전역 링킹을 순차 결정 문제로 변환하고 전역 관점에서 결정을 내리는 강화 학습 모델을 제안합니다. 우리의 모델은 이전에 참조된 엔티티들을 충분히 활용하며, 현재 선택이 후속 결정에 미치는 장기적인 영향을 탐색합니다. 우리는 다양한 유형의 데이터셋에서 실험을 수행하였으며, 결과는 우리의 모델이 최신 시스템들을 능가하고 더 우수한 일반화 성능을 보임을 확인하였습니다.