提升健康提及分类性能：参数高效微调进展研究
计算与语言
2025-05-01 v1 人工智能
摘要
健康提及分类 (HMC) 在利用社交媒体帖子进行实时追踪和公共卫生监测方面发挥着关键作用。然而，HMC 过程因其内在的复杂性而面临重大挑战，这主要源于健康提及的语境特性，例如比喻性语言和描述性术语，而非明确反映个人疾病。为解决此问题，我们认为通过使用增强参数的生物医学自然语言处理 (NLP) 方法进行常规微调，可以获得更清晰的提及。在本研究中，我们探索了不同技术，例如利用词性 (POS) 标注器信息、改进 PEFT 技术以及它们的不同组合。我们在三个广泛使用的数据集上进行了大量实验：RHDM、PHM 和 Illness。结果表明，结合 POS 标注器信息并利用 PEFT 技术，通过使用更小的模型和高效训练，在所有三个数据集上的 F1 分数均显著优于现有最先进方法。此外，研究结果突显了结合 POS 标注器信息和利用 PEFT 技术对 HMC 的有效性。总之，所提出的方法为在优化模型大小和训练效率的同时，准确分类社交媒体帖子中的健康提及提供了一种潜在的有效途径。
引用
@article{arxiv.2504.21685,
title = {Enhancing Health Mention Classification Performance: A Study on Advancements in Parameter Efficient Tuning},
author = {Reem Abdel-Salam and Mary Adewunmi},
journal= {arXiv preprint arXiv:2504.21685},
year = {2025}
}
备注
10 pages