《表3 加入Bi-GRU的实验对比结果》

  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

/%

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。