초미세 개체 유형 분류 (Ultra-fine entity typing, UFET)는 개체 언급 (entity mentions)에 매우 구체적인 유형을 할당하지만, 현재의 방식들은 롱테일 (long tail)에 속하는 유형들을 처리하는 데 어려움을 겪고 있습니다. 우리는 그 주요 원인이 문장 수준의 문맥 (sentence-level context)에 의존하기 때문이라는 가설을 세웠습니다. 중의성을 해소할 수 있는 증거는 종종 여러 문장에 걸쳐 퍼져 있기 때문입니다. 기존의 모든 UFET 리소스가 문장 수준이기 때문에 이를 테스트하는 것은 어려웠습니다. 우리는 각 개체 언급이 자동으로 생성된 짧고 일관된 서사 (narrative)와 쌍을 이루는, UFET의 통제된 확장 버전인 Narrative-UFET를 제시합니다. 서사를 합성함으로써 우리는 특정 담화 속성 (discourse properties)의 효과를 분리하여 확인할 수 있습니다. 우리는 두 가지 쌍을 이루는 변형 모델로 실험을 진행했습니다: 하나는 서사 전체에서 개체의 유형이 일정하게 유지되는 방식 (Maintain)이고, 다른 하나는 유형이 변화하는 방식 (Change)입니다. 우리는 서사 문맥이 문장 수준의 베이스라인 (baselines)에 비해 롱테일 유형에서 일관된 성능 향상을 가져온다는 것을 보여주었으며, 특히 Change 변형 모델이 더 강력한 신호를 제공함을 확인했습니다. 자연적으로 발생하는 문맥과의 비교를 통해 합성된 서사가 더 강력한 이득을 제공한다는 것을 보여주었으며, 이는 통제된 담화 구성이 실제 텍스트가 암시적으로 남겨두는 신호들을 드러낼 수 있음을 나타냅니다. 여전히 개선의 여지가 상당히 많이 남아 있으며, 이는 담화 모델링 (discourse modeling)과 서사 구성 (narrative construction) 모두에서 열린 연구 방향이 존재함을 시사합니다.