《表4 对话块识别结果：面向任务型多轮对话的粗粒度意图识别方法》

  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

《面向任务型多轮对话的粗粒度意图识别方法》

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

在本节中，我们将通过实验选择出最佳的对话序列标注模型．我们选择了BiLSTM-CRF和隐马尔可夫支持向量机（Hidden Markov Support Vector Machines，SVM-HMM）两种模型进行对比．其中，SVM-HMM是Altun等人[29]提出的一种序列标注模型，其序列标注的表现优于隐马尔可夫模型、条件随机场等模型．因此，本文只选择了SVM-HMM进行对比．值得注意的是，我们采用了BIEO标签作为对话序列标注的标签集合，并对SVM-HMM采用了两种对话向量表示方法．其中，我们设定Sentence2Vec模型总迭代次数epoch为500，输出句向量维度d为100，BiLSTM-CRF模型总迭代次数epoch为150．最后，我们从3个角度分析了实验结果，结果如表2、表3和表4所示．