ソーシャルメディアコンテンツなど短く非公式なテキスト上で命名エンティティ認識（NER）を実行する際、従来のアプローチはデータスパース性の問題に直面している。この問題を緩和するための有効な手段として、意味的拡張（semantic augmentation）が注目されている。事前学習された単語埋め込みには豊富な意味情報が暗黙的に保持されていることから、これらは意味的拡張に適した理想的なリソースであると考えられる。本論文では、実際のテキストから得られる局所的な意味情報と拡張された意味情報を併用するニューラルベースのソーシャルメディア用NER手法を提案する。具体的には、大規模コーパスから拡張された意味情報を取得し、その情報を符号化・集約するための注意機構を備えた意味的拡張モジュールとゲートモジュールを提案している。英語および中国語のソーシャルメディアプラットフォームから収集された3つのベンチマークデータセットを用いた広範な実験の結果、本手法はすべてのデータセットにおいて従来の手法を上回る性能を示した。