《表3 两种多种注意力机制模型的预测效果》
由表1~3可知:a)添加了注意力机制的Bi LSTM模型,表情符预测的效果要明显优于未添加注意力机制的基线模型;b)单独添加了标签注意力机制的表情符预测模型的预测效果相比于单独添加其他注意力机制的预测效果更准确,其Fmacro值明显优于其他单一注意力机制模型;c)添加了多种注意力机制模型的预测效果均比单一注意力机制模型更好,其中Mul-Att-BiLSTM模型的Fmacro值最高,这表明该模型对于每一种表情符的预测效果都进行了提升,而不仅集中于提高某一种或某几种表情符的预测效果;d)分级机制对于表情符预测效果的提升并不明显,原因可能是由于文本信息本身包含的句子数量较少,所以分级处理能带来的实验结果变化并不明显。
图表编号 | XD00163350800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.05 |
作者 | 张熙来、周俊祥、姬东鸿 |
绘制单位 | 武汉大学国家网络安全学院、商丘师范学院、武汉大学国家网络安全学院 |
更多格式 | 高清、无水印(增值服务) |