传统的实体类型识别方法基于独立分类范式，难以有效识别具有相互依赖性、长尾分布以及细粒度特征的实体类型。本文认为，标签之间隐含的外在与内在依赖关系可为解决上述挑战提供关键知识。为此，我们提出标签推理网络（Label Reasoning Network, LRN），通过挖掘并利用数据中蕴含的标签依赖知识，实现对细粒度实体类型的序列化推理。具体而言，LRN 采用自回归网络进行演绎推理，并借助二分属性图实现标签间的归纳推理，从而以序列到集合、端到端的方式，有效建模、学习并推理复杂的标签依赖关系。实验结果表明，LRN 在标准的超细粒度实体类型识别基准上达到了当前最优性能，并能有效缓解长尾标签问题。