摘要

当前的COVID-19大流行已促使许多语料库的创建，这些语料库有助于自然语言处理（NLP）研究和下游应用，以助力抗击大流行。然而，大多数这些语料库仅限于英语。鉴于大流行是一个全球性问题，为其他语言创建COVID-19相关数据集是值得的。在本文中，我们介绍了首个针对越南语的手动标注COVID-19领域特定数据集。特别是，我们的数据集针对命名实体识别（NER）任务进行了标注，并定义了新的实体类型，这些类型可以在未来的疫情中使用。与现有的越南语NER数据集相比，我们的数据集包含最多的实体数量。我们在该数据集上使用强大的基线模型进行了实证实验，并发现：自动越南语分词有助于提高NER结果，通过微调预训练语言模型获得的最佳性能中，单语模型PhoBERT（Nguyen和Nguyen, 2020）的表现优于多语言模型XLM-R（Conneau等, 2020）。我们已公开发布该数据集，地址为：https://github.com/VinAIResearch/PhoNER_COVID19