《表1 联合识别模型的性能对比》
%
表1为本章节中前人采用联合模型解决语义槽填充和意图识别任务的性能,可以看出,近几年来,联合识别性能不断提升。由表1可以得出结论,加入注意力的BLSTM模型的性能优于其他模型,相比于Triangularchain CRF提高1.2%,由于注意力是在原有特征的基础上进一步对不同输入进行聚焦学习,可以捕获更深层次的语义语法信息,而GRU、LSTM都只是对输入的均匀累加记忆训练,无法聚焦式地对不同输入分配不同的权重,所以加入注意力的BLSTM模型在口语理解中效果较好;GRU-CNN在意图识别任务中性能优于其他模型,相比于Triangular-chain CRF提高4.01%,其原因是由于CNN经过卷积池化得到比较高级的特征表示,再使用GRU捕获更高级特征,对于意图的性能也得到明显提升。
图表编号 | XD0067423500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 侯丽仙、李艳玲、李成城 |
绘制单位 | 内蒙古师范大学计算机科学技术学院、内蒙古师范大学计算机科学技术学院、内蒙古师范大学计算机科学技术学院 |
更多格式 | 高清、无水印(增值服务) |