초록
명시 인식(Named Entity Recognition, NER)과 엔티티 링킹(Entity Linking, EL)은 두 가지 근본적으로 관련된 작업입니다. 이는 EL을 수행하기 위해서는 먼저 엔티티에 대한 언급을 감지해야 하기 때문입니다. 그러나 대부분의 엔티티 링킹 접근 방식은 올바른 언급이 이미 감지되었다고 가정하고, 언급 감지 부분을 무시합니다. 본 논문에서는 NER과 EL의 관련성을 활용하여 더 강력하고 일반화된 시스템을 얻기 위해 NER과 EL의 공동 학습(joint learning)을 수행합니다. 이를 위해 스택 LSTM(Stack-LSTM) 접근 방식(Dyer et al., 2015)에서 영감을 받은 모델을 소개합니다. 우리는 실제로 NER과 EL의 다중 작업 학습(multi-task learning)이 개별 목표로 훈련된 모델과 비교할 때 두 작업 모두에서 성능이 향상되는 것을 확인하였습니다. 또한, 우리는 NER과 EL에서 최신 기술(state-of-the-art) 수준의 경쟁력 있는 결과를 달성하였습니다.