《表2 不同文本表示模型聚类效果》
提示：宽带有限、当前游客访问压缩模式
本文评测结果采用的是所有类簇的平均值，对比其他几种文本表示模型，结果如表2、图2所示。
| 图表编号 | XD00125764700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.12.25 |
| 作者 | 杨俊峰、尹光花 |
| 绘制单位 | 中原工学院计算机学院、中原工学院计算机学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 各模型超参数设置：融合特定任务信息注意力机制的文本表示学习模型》2020.09.25
- 《表1 数据集统计信息：融合特定任务信息注意力机制的文本表示学习模型》2020.09.25
- 《表4 模型参数量：融合特定任务信息注意力机制的文本表示学习模型》2020.09.25
- 《表6 不同文本表示方法的篇章层情感分类性能》2020.12.25
- 《表1 评论性文本LDA文本聚类效果表》2020.11.20
- 《表2 人民日报微博评论性文本LDA文本聚类效果表》2020.07.20
- 《表2：不同文本表示方法的模型表现》2019.12.20
- 《表2 文本表示模型优缺点对照表》2019.12.15
- 《表1 文本集VSM表示：向量空间模型的文本分类研究进展与应用》2019.12.15
- 《表4 使用向量空间模型表示文本的分类结果》2020.02.25
- 《表3 使用词向量模型表示文本的分类结果》2020.02.25
- 《表1 LDA模型：基于Huffman-LDA和Weight-Word2vec的文本表示模型研究》2020.02.01
- 《表6 文本表示模型在20Newsgroups上的准确率》2020.02.01
- 《表5 文本表示模型在不同主题数量下的F1值》2020.02.01
- 《表2 卷积神经网络参数：融合多粒度信息的文本向量表示模型》2019.09.25
- 《表1 混淆矩阵：融合多粒度信息的文本向量表示模型》2019.09.25
- 《表2 基于不同文本表示方法的分类结果》2019.11.01
- 《表4 人工网络聚类效果：半监督属性网络表示学习方法》2019.06.15
- 《表3 真实网络聚类效果：半监督属性网络表示学习方法》2019.06.15
- 《表2 人民网、新华网&凤凰网新闻文本LDA主题聚类效果表》2019.06.01