Narrative-UFET：超詳細エンティティタイピングのためのナラティブ生成
超詳細エンティティタイピング（UFET）は、文レベルのコンテキストに依存するため、ロングテールタイプの処理に苦戦している。本研究では、各エンティティメンションに自動生成された短いナラティブをペアリングし、文をまたがるコンテキストを提供するNarrative-UFETを提案する。実験では、ナラティブコンテキストがロングテールタイプの性能を一貫して向上させ、特にエンティティのタイプが変化する場合に効果が高いことが示された。合成ナラティブは自然なコンテキストよりも優れており、制御された談話構築が暗黙の信号を表面化できることを示唆している。
超詳細エンティティタイピング（Ultra-Fine Entity Typing, UFET）は、エンティティメンションに高度に特化したタイプを割り当てるタスクであり、例えば「リンゴ」を「果物」または「テクノロジー企業」に分類する。しかし、現在の手法はロングテールタイプの処理に困難を抱えている。これらのタイプは訓練データに稀にしか出現せず、モデルが正確に識別するのが難しい。研究者らは、その主な原因が文レベルのコンテキストに依存している点にあると考えている。なぜなら、曖昧性解消に必要な証拠は複数の文に分散していることが多いからである。例えば、エンティティが「俳優」か「監督」かを判断するには、文をまたがる情報が必要となる。しかし、既存のUFETリソースはすべて文レベルであるため、この仮説の検証は困難であった。
そこで本研究では、Narrative-UFETを提案する。これは、各エンティティメンションに自動生成された短く一貫性のあるナラティブをペアリングする、制御された拡張手法である。ナラティブを合成することで、特定の談話特性の影響を分離して評価できる。実験では、エンティティのタイプがナラティブ全体で一定のままである「Maintain」変種と、変化する「Change」変種の2つを比較した。例えば、「リンゴ」というエンティティに対し、Maintain変種では一貫して「果物」として扱い、Change変種では「果物」から「企業」に変化させる。
結果、ナラティブコンテキストは文レベルのベースラインと比較してロングテールタイプで一貫した改善を示し、特にChange変種でより強い効果が得られた。これは、タイプが変化するナラティブがより識別的な情報を提供することを示している。さらに、自然に発生するコンテキスト（実際のテキストから抽出した段落）との比較では、合成ナラティブの方が大きな利得を示した。これは、制御された談話構築が実際のテキストでは暗黙のままである信号を表面化できることを示しており、実際のテキストはノイズや冗長性のためにこれらの信号を隠してしまうことが多い。
改善の余地はまだ大きく残されている。例えば、ナラティブ生成の品質、多様性、エンティティタイプとの一致度をさらに向上させることができる。この研究は、談話モデリングとナラティブ構築の両方における今後の研究方向性を切り開くものである。将来的には、より複雑なナラティブ構造を探求したり、ナラティブ生成とエンティティタイプ予測を共同で最適化したりすることが考えられる。全体として、Narrative-UFETはUFETに新しいデータリソースを提供するだけでなく、細粒度タイプ識別における文をまたがるコンテキストの重要性を検証し、今後の研究の基盤を築いた。