《表3 加入Bi-GRU的实验对比结果》
/%
在表3和图4中可以看到,加入双向GRU的关系抽取模型比普通的分段卷积神经网络模型的效果更优,在整个召回率范围内,GRU_PCNN_ATT方法的准确率比基于分段卷积神经网络(PCNN_ATT)方法大约要高出0.05。这是因为GRU作为一种循环神经网络,具备优秀的记忆序列特征的能力;同时,它又像LSTM一样善于学习长距离依赖信息。实验语料中存在许多长依赖语句,仅靠滑动窗口获得局部上下文信息的PCNN_ATT模型效果不能捕捉到长依赖信息,然而拥有记忆能力的双向GRU_PCNN_ATT模型却可以学习到丰富的上下文特征,其结果便更优一些。
图表编号 | XD00133916600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.01 |
作者 | 万静、李浩铭、严欢春、张雪超 |
绘制单位 | 北京化工大学信息科学与技术学院、北京化工大学信息科学与技术学院、北京化工大学信息科学与技术学院、国防大学联合勤务学院 |
更多格式 | 高清、无水印(增值服务) |