基于层次感知损失的神经细粒度实体类型分类

细粒度实体类型分类（FETC）任务包括从层次结构中为文本中的实体指称分配类型。现有方法依赖远程监督，因此易受噪声标签影响，这些标签可能脱离上下文或对于训练句子过于具体。先前试图解决这些问题的方法借助启发式规则或手工特征。相反，我们提出了一种端到端解决方案，采用神经网络模型，使用交叉熵损失函数的变体来处理脱离上下文的标签，并使用层次损失归一化来应对过于具体的标签。此外，先前工作将FETC作为多标签分类求解，再进行临时后处理。相比之下，我们的解决方案更为简洁：我们使用公开词嵌入训练一个单标签模型，联合学习实体指称及其上下文的表示。我们通过实验表明，我们的方法对噪声具有鲁棒性，并在该任务的既定基准上持续优于最先进水平。