赵梓博 王昊 刘友华 张卫 孟镇

摘要：[目的/意义]在新冠疫情背景下，提出多任务环境下融合迁移学习的疫情新闻要素识别方法，向公众提供面向应急事件的知识服务。[方法/过程]首先，通过多任务识别新闻要素：基于规则识别时间要素;并融合模型迁移与深度学习方法，构建跨领域的要素识别模型。在此基础上，构建疫情新闻要素的关联数据，以知识图谱的方式展示各要素之间的关联关系。[结果/结论]实验结果表明，除药物外的新闻要素的识别F1值均在80%以上，说明融合迁移学习的模型能够取得较优的识别效果;并且，关联数据知识图谱能够直观显示新闻的重点要素及新闻的主要内容。综上所述，提出的方法能够有效识别新冠疫情新闻要素，从而帮助新闻读者准确、高效地获取新闻中的重要信息。

关键词：多任务   迁移学习   新冠   新闻要素识别   命名实体识别   冷启动

分类号：TP391.1; TP181; G202

DOI：10.13266/j.issn.2095-5472.2021.001

引用格式：赵梓博， 王昊， 刘友华， 等. 多任务环境下融合迁移学习的新冠疫情新闻要素识别研究[J/OL]. 知识管理论坛， 2021， 6（1）： 2-13[引用日期]. http：//www.kmf.ac.cn/p/235/.

1  引言

自2020年初，官方正式通报新型冠状肺炎（以下简称“新冠”）存在“人传人”现象以来，社会公众愈发关注新冠疫情的相关新闻动态。新冠疫情新闻对于帮助公众了解疫情动态、防疫方法等知识具有重要意义。然而，数量呈爆炸式增长的新闻报道给公众带来了一定程度的心理压力和阅读负担。因此，有必要快速、准确地提取新闻报道中的关键要素，帮助公众获取并理解新闻的主要内容，并为进一步构建疫情新闻知识图谱[1]提供數据支撑，为自动生成疫情新闻关键词[2]、自发推送疫情新闻[3]等工作奠定基础。……