《表1 联合识别模型的性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面向任务口语理解研究现状综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

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。