《表6 子模型性能比较：面向社区问答匹配的混合神经网络模型》

  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

《面向社区问答匹配的混合神经网络模型》

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

表6是子模型在SemEval-2015CQA数据集上的Macroaverage分数对比结果．表7是子模型在好的，坏的，潜在有帮助的这3个类别上的Macro-F1分数对比结果．表6中HN-NMA(CRNN）的Macro-F1分数为57.78%，对比表3的B-RCNN的56.82%提高了0.96%，表明HNNMA模型能够更好的对问题和答案对的语义和问题和答案对间的语义序列相关性进行学习．HNNMA(UCNN）的Macro-F1分数为57.10%，实验结果同样较B-RCNN高，表明对用户历史回答建模有利于问答匹配．完整的HNNMA模型的Macro-F1分数相较两个子模型分别提高了1.68%和2.36%，表明两个模型子结构对HNNMA模型性能提高都有较大贡献．在表7可以看到，HNNMA(CRNN）和HNNMA(UCNN）与HNNMA相比，在好的和坏的这两类上取得了相近的精度．但是在潜在有帮助类上，HNNMA模型取得远高于两者的实验结果．实验表明这两个模型子结构有助于识别出潜在有帮助的类，能学习到有益于问答匹配的不同隐藏信息．