通过 BioLORD 的通用模型初始化和名为 STS 的语义文本相似度微调，在社交媒体上提出了一种新的逆药物事件归一化方法，通过实验结果展示了其在多个社交媒体数据集上的有效性，并成为逆药物事件归一化任务的一个转折点，具有成为未来研究领域的基准的潜力。

Jul, 2023

本文使用神经网络解决医学文本中的概念标准化问题，实验结果表明神经网络能够更好地识别实体，并获得更好的语义表示。

Jul, 2019

通过随机加权干扰和对比学习策略培训语言模型，并提出元预测器以区分社交媒体文本中的非健康和健康相关类别，实验证明该策略提高了语言模型的性能，元预测器在三个基准数据集上优于现有的健康提及分类预测器。

Oct, 2023

本研究介绍了一种基于 BERT 的命名实体识别（NER）模型，一个深度学习规范化模块以及一个半监督聚类模块构建的框架，用于从社交媒体中提取与 COVID-19 相关的症状词典，并对其进行标准化，以减少在基于社交媒体的公共卫生研究中的关键词匹配信息检索约束。

Jun, 2023

通过 BERT 精调实体识别和句子转换器以及互惠排序融合，本研究提出的系统在社交媒体文本挖掘领域中，对不良药物事件标准化取得了高效性能表现，实现了 44.9% 的准确率、40.5% 的召回率和 42.6% 的 F1 分数，在共享任务 5 中表现优于中位数 10% 且超过了其他参与者的性能。

Aug, 2023

介绍了一个基于混合词 - 字符注意力编码 - 解码模型的社交媒体文本标准化系统，以预处理噪音文本并适应社交媒体上的 NLP 应用。

Apr, 2019

为使社交媒体上的用户生成内容可以通过现有模型进行事实核查，本文提出了一种利用关联实体信息来压缩含有主题实体、关系和客体实体三元组成的声明式陈述或提取最短包含这些元素的短语的方法，其可提高各种验证模型的性能。

Sep, 2022

通过自然语言处理技术，本论文以社交媒体数据为资源，研究了乳腺癌患者 / 幸存者的自述信息以及相关药物治疗的副作用和使用模式，揭示了社交媒体数据在乳腺癌研究中的巨大潜力。

Feb, 2024

本文提出了一种新的方法，使用对抗训练和对几个级别的 transformer 模型中的推文示例的表示进行高斯噪声扰动生成对抗性示例来训练语言模型，以进行卫生提及分类。添加噪声到较早的层有助于提高模型性能，而添加中间层的噪声会降低模型性能。最后，在最终层添加噪声比在中间层添加噪声表现更好。

Apr, 2022

通过使用专有和开源的大型语言模型（LLMs）与生物医学研究中常用的多种基于规则的归一化系统相结合，提高实体归一化性能并消除了需要微调的需要。

May, 2024