초록
최근의 엔티티 해소(Entity Disambiguation, ED) 연구에서는 구조화된 지식베이스(Knowledge Base, KB) 사실들을 주로 무시하고, 대신 엔티티 설명이나 유형과 같은 제한적인 KB 정보의 부분집합에 의존해 왔습니다. 이는 엔티티를 해소할 수 있는 맥락의 범위를 제한합니다. 모든 KB 사실뿐만 아니라 설명과 유형도 사용할 수 있도록 하기 위해, 우리는 기호적 지식베이스를 완전히 미분 가능한 방식으로 추론하여 엔티티를 연결하는 ED 모델을 소개합니다. 우리의 모델은 여섯 개의 잘 알려진 ED 데이터셋에서 평균 1.3 F1 점수로 기존 최고 성능의 기준모델들을 능가합니다. 모든 KB 정보에 접근할 수 있게 함으로써, 우리의 모델은 인기도 기반의 엔티티 사전 확률에 덜 의존하며, 어려운 ShadowLink 데이터셋(비주류 및 애매한 엔티티를 강조하는 데이터셋)에서 12.7 F1 점수로 성능을 향상시킵니다.