该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

Dec, 2021

我们研究了基于 BERT 模型的多种训练策略，旨在从口语化文本中识别出医疗领域的症状，并通过一系列实验发现了与这些训练策略相关的模型行为模式，提出了有效识别口语化文本中实体的训练策略设计原则。

Jan, 2024

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

本文介绍了手工注释的一组含有 10,000 条推特的语料库，内容包括 COVID-19 相关的正反测试结果、死亡、拒绝测试、声称的治疗和预防措施等五类事件。这篇文章证明了这个语料库可以支持基于 BERT 的分类器的微调，以自动提取公共报告的事件，并帮助追踪新病毒传播。通过从数百万推文中提取事件，我们还展示了对于复杂问题的高准确度的唯一回答。我们将向研究界公开发布我们的语料库（已移除用户信息）、自动提取模型和相应的知识库。

Jun, 2020

通过实验表明，采用实体链接技术的命名实体识别方法可有效提高医疗推文中的事实核查性能。

Apr, 2023

我们提出了一个手动注释的语料库，物种物种相互作用，用于在句子级别上从生物医学文本中提取物种之间有意义的二元关系，重点关注肠道微生物群落。该语料库利用 PubTator 对全文文章中的物种进行注释，并评估了不同的命名实体识别物种标记器。我们的第一批结果表明，使用 BERT 及其生物医学变体可以很好地提取物种之间的关系。

Jun, 2023

本文旨在填补社交媒体生物医学领域中技术自动验证和虚假新闻检测方法的研究空白，使用样本与新冠肺炎、麻疹、囊性纤维化和抑郁症相关的推文，开发出一个检测自动化声明的模型，并且在嵌入式分类器和 BERT 转移学习方面进行基础分类实验，分析揭示出笔者所构建的医学推特大多数都包含自动化声明信息。

Apr, 2021

本文讨论了对于不规则、嘈杂、依赖上下文及动态性的推文（一种微博形式），运用自然语言处理技术进行挖掘和智能信息访问的挑战，重点关注了从推文中提取实体并进行实体消歧的任务，介绍了一个新的 Twitter 实体消歧数据集，并对多个最先进的 Named Entity Recognition & Disambiguation 模型进行了实证分析。

Oct, 2014

提出一种无需实体级别监督的实体链接和关系抽取模型，避免了流水线方法中产生的级联错误，并在两个生物医学数据集上优于最先进的实体链接和关系抽取流水线，极大地提高了系统的总体召回率。

Dec, 2019

本文提出了一个多实体类型和多关系对的文献级生物医学关系抽取数据集 BioRED，包括新发现和先前已知的信息，旨在评估现有状态下的自动化算法，为更准确、高效和稳健的生物医学关系系统的开发奠定基础。

Apr, 2022