《表2 基于词表示和基于字符级表示在BILSTM-CRF模型上的效果对比》
提示：宽带有限、当前游客访问压缩模式
首先对比了基于词表示和字符集表示两种不同的输入表示对实验结果的影响。表2为基于词表示和基于字符表示在BILSTM-CRF模型上的效果对比。
| 图表编号 | XD00145862200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.18 |
| 作者 | 何玉洁 |
| 绘制单位 | 宁夏大学 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表5 模型对比结果：基于字符级双通道复合网络的中文文本情感分析》2020.09.05
- 《表3 基于不同词表示的触发词识别结果》2020.09.01
- 《表1 主要事件的定义：基于深层语境词表示与自注意力的生物医学事件抽取》2020.09.01
- 《表4 Rand/Glo Ve词向量表示+神经网络级联结构的分类性能》2021.02.25
- 《表1 模型有效性实验：基于字向量和增强表示BiLSTM句子相似度研究》2020.10.10
- 《表2 模型对比实验：基于字向量和增强表示BiLSTM句子相似度研究》2020.10.10
- 《表3 实验相关情况说明：基于深度学习的词汇表示模型对比研究》2020.08.25
- 《表4 算法参数表：基于深度学习的词汇表示模型对比研究》2020.08.25
- 《表3 基于CRF与BILSTM-CRF模型的效果对比》2020.08.18
- 《表4 ModelNet40数据集上的分类性能和模型复杂度的比较（黑体表示最优）》2020.04.20
- 《表4 基于三维模型表示方法的工作汇总》2020.01.01
- 《表8 基于Faster RCNN的不同数据变换类型在PASCAL VOC2007上的性能对比(APs、APm、APl分别表示小目标、中等目标、大目标)》2020.04.01
- 《表3 使用词向量模型表示文本的分类结果》2020.02.25
- 《表1 LDA模型：基于Huffman-LDA和Weight-Word2vec的文本表示模型研究》2020.02.01
- 《表6 文本表示模型在20Newsgroups上的准确率》2020.02.01
- 《表2 词表示学习算法性能对比分析》2019.10.01
- 《表5:表示对比的过渡词》2019.04.10
- 《表4 模型效果对比：基于网络表示学习的科研合作推荐研究》2019.05.24
- 《表3 基于注意力模型的评论表示》2019.05.01
- 《表3 例子中的1级表示：基于改进多层次模糊关联规则的定量数据挖掘算法》2019.12.01