Sep, 2022

METS-CoV: COVID-19 相关推文中医疗实体和情感目标数据集

PDF
TL;DR该论文介绍了 MET-CoV 数据集的创建，该数据集包含了从社交媒体中收集的 COVID-19 相关推文的医学实体和定向情感。作者使用传统的机器学习模型和最先进的深度学习模型对命名实体识别和定向情感分析任务进行了广泛实验，并发现了改进的空间，这表明这个数据集对于发展更好的医学社交媒体工具和促进计算社会科学研究特别是流行病学方面是一个重要资源。
covid-19social medianamed entity recognitionsentiment analysismedical perspective
发现论文，激发创造
  • TweetsCOV19 -- 基于语义注释的关于 COVID-19 疫情的推文知识库

    描述了 TweetsCOV19 的基本特征和分析，这是一个公开可用的包含超过 800 万推特的知识库，旨在为大量知识发现任务提供前所未有的数据集。

    Jun, 2020

  • CML-COVID: 一个包含潜在主题、情感和位置信息的大规模 COVID-19 Twitter 数据集

    本研究使用数据分析和情感分析等方法，以 Twitter 为研究对象，收集了截至 2020 年 7 月 COVID-19 相关的 19298967 条推文，探讨了公众舆论和社交媒体传播的重要性。

    Jan, 2021

  • 新冠疫情微博数据情感分析

    本论文通过分析推特数据集，使用多种机器学习算法评估情感，并对数据集的情境进行学习，以识别正面、负面和中性情绪，并向公众传达积极意见，提高公众意识和预防新冠病毒。

    Nov, 2021

  • GeoCoV19: 一个拥有数亿条多语言 COVID-19 推文和位置信息的数据集

    该文介绍了 GeoCoV19—— 一个包含 524 百万条推文的大规模 Twitter 数据集，通过基于地名词典的方法来推断推文的地理位置，而这一大规模、多语言、地理定位的社交媒体数据可以帮助研究社区评估社会如何共同应对这一前所未有的全球危机，以及建立计算方法来应对如识别假新闻，理解社区的知识差距，建立疾病预测和监测模型等挑战。

    May, 2020

  • BERT-Deep CNN: COVID-19 推文情感分析的最新技术

    本文探讨利用 BERT 和 Deep CNN 模型通过社交媒体研究社会对 COVID-19 大流行的感知，证明了 BERT 模型在情感分析中的卓越性能。

    Nov, 2022

  • Mega-COV: 一个包含 100 多种语言的十亿规模 COVID-19 数据集

    Mega-COV 是一个包含十亿条推特数据的数据集，涵盖 268 个国家，可用于研究 COVID-19 的相关现象。该数据集具有多语言、地理位置等多种特征，并配备了两个强大的模型，可以识别与疫情有关的推特和 COVID-19 的错误信息。

    May, 2020

  • COVID-19 疫情期间欧洲推特跨语言情感分析

    本论文使用多语言句子嵌入的神经网络对欧洲 COVID-19 疫情爆发期间收集的 Twitter 消息进行情感分析，并将结果按来源国分离，通过与国家事件的相关性进行时间性发展的相关性分析，研究疫情对人们情绪的影响。

    Aug, 2020

  • 运用深度学习简化社交媒体信息检索，为公共卫生研究提供服务

    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

  • NAIST COVID：跨语言 COVID-19 Twitter 和 Weibo 数据集

    本研究旨在推广社交媒体研究对抗 COVID-19 及其他传染病。通过对 COVID-19 微博的量化和定性分析，我们提供了多种处理数据集的方法，并分享了一个多语种社交媒体数据集，供研究人员使用。

    Apr, 2020

  • 一个用于开放科学研究的大规模 COVID-19 推特聊天数据集 -- 一个国际合作项目

    本文介绍了一份包含 1 月 1 日至 4 月 4 日之间各地 152 万条与 COVID-19 有关的推文的数据集，为研究社交动态、情感反应等提供支持。

    Apr, 2020