基于实体知识增强的新冠疫情推文命名实体识别
计算与语言
2025-10-07 v1 人工智能
摘要
新冠疫情在全球范围内引发严重的社会和经济 disruption，涌现出诸多议题在社交媒体上进行讨论。识别疫情相关的命名实体对于理解有关疫情的讨论至关重要和重要。然而，由于以下挑战，关于该主题的命名实体识别工作有限：1）社交媒体上的新冠文本非正式且注释稀缺且不足以训练出稳健的识别模型；2）新冠命名实体识别需要大量领域特定知识。为此，我们提出了一种新的实体知识增强方法，用于新冠疫情，该方法也可适用于一般生物医学命名实体识别，无论是非正式文本格式还是正式文本格式。在新冠推文数据集和 PubMed 数据集上进行的实验表明，我们提出的实体知识增强方法在完全监督和少样本设置下均能提高命名实体识别性能。我们的源代码公开可用：https://github.com/kkkenshi/LLM-EKA/tree/master
引用
@article{arxiv.2510.04001,
title = {Named Entity Recognition in COVID-19 tweets with Entity Knowledge Augmentation},
author = {Xuankang Zhang and Jiangming Liu},
journal= {arXiv preprint arXiv:2510.04001},
year = {2025}
}
备注
Work in progress