《表2 实验结果对比表:基于多神经网络协同训练的命名实体识别》
为了分析TMNN模型的性能,本文对比分析了TMNN模型与传统协同训练方法和3种单一神经网络NER模型(LSTM-CRF模型、GRU-CRF模型、BLSTM-CRF模型)在相同数据集上的识别效果。其中,传统协同训练选用条件随机场CRF作为初始分类器,实验结果见表2。从表2中可以看出,多神经网络协同训练模型的识别质量远高于传统协同训练算法。究其原因,传统协同训练对特征工程和语言学规则具有较高的依赖性,模型泛化性能较差,识别质量低,而本文提出的TMNN的初始识别模型分别选用了3种不同的神经网络模型,这三种神经网络可以自动提取文本数据的内部特征,避免了人工添加过多的特征工程和语言学规则,从而显著地提高了NER的精度。相较于3种单一的神经网络模型,多神经网络协同训练模型TMNN通过使用不同的神经网络提取到具有差异化的特征,并且通过协同训练模型,达到持续优化模型的目的,对比3种单一的神经网络模型的F1值分别有了3.35%、2.58%、1.25%的提高,系统性能显著提升。
图表编号 | XD00130383600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.01 |
作者 | 王栋、李业刚、张晓 |
绘制单位 | 山东理工大学计算机科学与技术学院、山东理工大学计算机科学与技术学院、山东理工大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |