《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》

  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

《基于多神经网络协同训练的命名实体识别》

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

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。