《表6 细粒度类别性能对比》

  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

《基于多通道自注意力机制的电子病历实体关系抽取》

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

为了进一步观测引入带权学习损失函数的“recurrent+transformer”架构对类别不均衡数据的拟合能力，表6详细展示了单类别细粒度性能表现，结合表1与表2对两项数据集类别分布的统计情况，可以直观发现：BLSTM-nMCatt-Wgt对于小类别样本的分类能力相较于基线模型有显著提升，例如TrWP、TrIP、TrNAP以及Int，其中在TrNAP类上实现23.55%的最大提升．对于多数类样本（TeRP、TrAP、Advice），模型同样实现较为可观的性能提升．在中等规模类别PIP上的验证结果弱于基线模型BLSTM-Att，其原因在于，该类关系所包含的两项实体为同类，相较于其他类型样本，多通道自注意力机制将因此代入较多冗余信息，从而影响模型在该类别的拟合能力．此外，实验过程中发现，PIP类的F1指标随训练轮数的增加先升后降，同样验证了因冗余信息而导致的模型过拟合现象．