《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》
(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) |