Gemeinsames Lernen von Named Entity Recognition und Entity Linking

Die Named Entity Recognition (NER) und das Entity Linking (EL) sind zwei grundsätzlich verwandte Aufgaben, da zur Durchführung von EL zuerst die Erwähnungen von Entitäten erkannt werden müssen. Die meisten Ansätze zum Entity Linking vernachlässigen jedoch den Teil zur Erwähnungserkennung und gehen davon aus, dass die richtigen Erwähnungen zuvor erkannt wurden. In diesem Papier führen wir ein gemeinsames Lernen von NER und EL durch, um ihre Gemeinsamkeiten zu nutzen und ein robusteres und generalisierbares System zu erhalten. Zu diesem Zweck stellen wir ein Modell vor, das durch den Stack-LSTM-Ansatz inspiriert ist. Wir stellen fest, dass das gemeinsame Lernen von NER und EL tatsächlich die Leistung in beiden Aufgaben verbessert, wenn man Modelle vergleicht, die mit individuellen Zielen trainiert wurden. Darüber hinaus erzielen wir wettbewerbsfähige Ergebnisse im Vergleich zum Stand der Technik sowohl in NER als auch in EL.