A maioria dos aplicativos de processamento de linguagem natural exibem um trade-off entre precisão e recall. Em alguns casos de uso para processamento de linguagem natural, há razões para preferir inclinar esse trade-off em direção a alta precisão. Com base na distribuição Zipfian de resultados falsos positivos, descrevemos uma estratégia para aumentar a precisão, utilizando uma variedade de métodos de pré-processamento e pós-processamento. Eles se baseiam em abordagens baseadas no conhecimento e freqüentadoras para a linguagem de modelagem. Com base em um pipeline de reconhecimento de conceitos biomédicos de alto desempenho existente e um corpus manualmente anotado previamente, aplicamos essa estratégia híbrida racionalista / empirista à normalização de conceitos para oito ontologias diferentes. Quais abordagens e não melhoraram a precisão variaram amplamente entre as ontologias.