《表5 Char-CNN模型与LRN-CharFCN模型的其他性能对比》
本次实验在五个数据集上将本文设计的LRN-CharFCN模型与文献[10]中使用全连接层的字符卷积模型CharCNN进行对比。为体现LRN层与全卷积层对模型性能的提升有不同的作用,在表4中列出原始模型CharCNN、添加LRN层的LRN-CharCNN模型以及LRN-CharFCN模型在Acc指标上的对比结果。从表中可以看出,原始模型添加了LRN层后性能有了明显的提升。使用了全卷积模型后模型性能保持稳定。这也验证了前文所述,模型的准确性等性能的提升主要是由LRN层实现,而使用全卷积的目的是加快模型收敛速度。考虑到文献[10]中仅使用了精确性Acc作为唯一评价指标,这里也增加展示了在本实验的标准下CharCNN在P、R、F1值上的结果。两个模型训练、测试结果如表5所示。
图表编号 | XD00134381800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.01 |
作者 | 张曼、夏战国、刘兵、周勇 |
绘制单位 | 中国矿业大学计算机科学与技术学院、中国矿业大学计算机科学与技术学院、中国矿业大学计算机科学与技术学院、中国科学院电子研究所、中国矿业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) |