《表4 不同算法模型的命名实体识别结果》

  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

《结合注意力机制的Bi-LSTM-CRF中文电子病历命名实体识别》

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

单位：%

从表4中可以看出，Attention-Bi-LSTM-CRF识别模型相比其他两种LSTM算法模型取得了较为优异的结果，这是因为结合注意力机制的算法模型利用注意力机制进一步优化了文本的语义特征表示，即Attention-Bi-LSTM-CRF识别模型具有捕获上下文中重要信息能力，因而优化了准确率和F1值，证明了注意力机制的有效性与优越性。对比LSTM-CRF模型和Bi-LSTM-CRF模型的实验结果，Bi-LSTM-CRF模型准确率为92.3%，召回率为91.4%，F1值为91.8%，实验结果均优于LSTM-CRF模型。这是因为单向LSTM模型只能学习文本序列的历史信息，而Bi-LSTM-CRF模型能充分学习上下文信息，从而改善了三个评价指标。对比Attention-Bi-LSTM-CRF模型和Attention-Bi-GRU-CRF模型的实验结果，Attention-BiLSTM-CRF模型准确率为93.3%，召回率为90.8%，F1值为92.0%；Attention-Bi-GRU-CRF模型准确率为91.9%，召回率为91.4%，F1值为91.6%。说明Attention-Bi-LSTM-CRF模型比Attention-Bi-GRU-CRF模型表达文本特征能力更具优势，识别实体效果更佳。