《表5 与传统远程监督方法对比结果》

  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

《基于循环卷积神经网络的实体关系抽取方法研究》

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

/%

本文的实体关系抽取方法与Mintz、MultiR、MIML这三种经典的远程监督方法的实验对比结果如表5和图5所示。表5展示了中文语料下各方法的实验结果，可以看出，不论是准确率还是召回率，本文方法皆远高于三种传统远程监督方法。图5中展示了英文语料每种方法的PRC曲线，可以看出在整个召回率范围内，本文方法（GRU＿PCNN＿ATT）的准确率均比三种基于特征的传统远程监督方法高出很多。当召回率大于0.1时，基于特征的关系抽取方法准确率大幅下降，而本文方法还能取得不错的准确率。这是因为人工设计的特征不能够准确把握句子的语义信息，而且标注特征的NLP工具不可避免地会产生错误影响到关系抽取的效果。相比来说，本文基于神经网络的关系抽取方法可以避免一些NLP工具的错误，更加准确地学习到句子的语义信息。