《表6 BiLSTM-CRF实验结果》

  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

《公路桥梁定期检测领域命名实体识别语料库构建》

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

在表5和表6的实验结果中，ENTL实体识别的P值、R值和F1值均较低，其主要原因是标注语料库中绝大部分ENTL实体具有嵌套性且标注数据占比较少，而实体的最大长度包含26个字符，平均字符数也达到8，为各类型实体中的最大值，CRF特征模板对包含较长字符的实体识别效果不佳，又由于数据规模的原因，加上BiLSTM模型的效果并没有很大的提升。BRI、ENT和ENTE类型实体具有相对较好的识别效果，三类评价指标均分布在0.64～0.88。综合标注数据和文本描述特性发现，BRI实体标注数量较少，预期的实验效果应该是比较理想，但是BRI实体涉及到较多的地名未登录词，拉低了预期的实验结果；ENT实体在检测文本中出现频次较高，占据了标注语料的40%以上，为模型训练提供更丰富的数据支撑；ENTE实体占据了标注语料的13%左右，但由于其嵌套性的影响，其实验结果指标不及ENT实体识别的结果指标。同时，ENT和ENTE描述的规范性对识别效果有一定帮助，但整体而言，其识别效果仍然有较大提升空间。DIS和UND类型实体的实验结果中精确率相对较好，但召回率和F值较低。分析其原因发现，由于检测文本描述特性，DIS和UND实体总体标注数量均相对较少，存在一定的标注数据不均衡性。除此以外，DIS实体涉及到一定数量的病害未登录词，UND实体也存在较多形式的否定描述，这些因素共同作用导致其识别效果不佳。由表7可知，BERT-BiLSTM-CRF的实验结果均差于CRF实验结果和BiLSTM-CRF实验结果。其主要原因在于实验过程中选用的BERT是基于大规模通用领域文本的预训练模型，而并不适用于桥梁检测领域的文本特性。