지도된 엔터티 링킹을 위한 사전학습 전략의 실증적 평가

이 연구에서는 위키백과 링크로부터 대규모 사전 훈련을 수행한 Transformer 아키텍처를 결합한 엔티티 링킹 모델을 제안한다. 제안한 모델은 일반적으로 사용되는 두 가지 엔티티 링킹 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, CoNLL에서는 96.7%, TAC-KBP에서는 94.9%의 정확도를 기록하였다. 또한, 엔티티 링킹에 있어 중요한 설계 선택 사항을 이해하기 위해 세부적인 분석을 수행하였으며, 이는 부정적 엔티티 후보 선택, Transformer 아키텍처 선택, 입력 데이터의 변형(퍼터베이션) 등에 관한 고려사항을 포함한다. 마지막으로, 엔드투엔드 엔티티 링킹 및 도메인 내 훈련 데이터 없이 수행되는 엔티티 링킹과 같은 더 도전적인 설정에서도 유망한 결과를 보였다.