《表6 不同词向量生成模型及维度的F值(%)》

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

《基于深度学习和多特征融合的中文电子病历实体识别研究》

获取高清版本忘记账户？点击这里登录

下载图表忘记账户？点击这里登录

(1）使用LSTM-withfea模型，分别设置dropout为0.5，learning-rate为0.001，batch-size为128，选择生成词向量的语言模型和向量维度，实验结果见表6.需要提出的是，选择Skipgram时，窗口长度设置为10；选择CBOW模型时，窗口长度设置为5；两种模型min＿count均设置为3.从表6可知，Skip-Gram词向量生成模型在维度为300时效果最好，整体上SkipGram模型要优于CBOW模型.

图表编号	XD00109594900 严禁用于非法目的
绘制时间	2019.11.30
作者	韩普、刘亦卓、李晓艳
绘制单位	南京邮电大学管理学院、江苏省数据工程与知识服务重点实验室南京大学、南京大学信息管理学院、南京医科大学基础医学院
更多格式	高清、无水印（增值服务）