《表3 候选短语挖掘3个阶段对比》

  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

《基于统计特征的Quality Phrase挖掘方法》

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

%

从5个文本语料库呈现的PR曲线可以看出，单使用频繁性一个准则进行N-Gram短语挖掘时，精确率和召回率的结果受频繁性阈值的影响极大，鲁棒性差。若设置的频繁性阈值较大，精确率可以达到较高的水平，但是召回率很低；相反，频繁性阈值设置较小时，召回率很高，可以达到90%以上，但是精确率明显下降。所以，单使用频繁性一个准则，很难达到精确率和召回率的平衡。为解决频繁性准则带来的问题，加入多词短语的组合性约束，两者的结合可以使5个数据集上的精确率稳定在一个较好的区间，基本维持在90%～100%，此时保证在精确率不明显下降的情况下，不断调节频繁性阈值来提升召回率，寻找最优的参数组合。在频繁N-Gram挖掘和多词短语组合性约束的基础上，增加单词短语的拼写检查可以进一步提高精确率，虽然拼写检查错误地排除了一部分真正的单词，导致召回率有所下降，但综合性指标F1-Score仍然是上升趋势。下面将5个文本语料库在3种递进组合（方法（1）表示频繁N-Gram挖掘，方法（2）表示频繁N-Gram挖掘+多词短语组合性约束，方法（3）表示频繁N-Gram挖掘+多词短语组合性约束+单词短语拼写检查）上的最优结果列举如表3所示。