《表3 实体识别结果：慢阻肺知识图谱的构建研究与实现》

  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

《慢阻肺知识图谱的构建研究与实现》

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

通过实验，如表3所示，分析可以得到，基于深度学习的模型比传统的机器学习效果要好，这是因为CRF算法的结果跟选择的特征有关，而相关特征的选择又是有人参与设定，会出现局限性．BiLSTM比LSTM的效果要好，因为LSTM是考虑当前状态之前的信息，没有考虑当前状态之后的信息，而在命名实体识别的过程中，当前状态的之前与之后应该是同等重要，因此BiLSTM更加适合命名实体识别．BiLSTM-CRF明显要比单独使用时效果要好，因为CRF构造字符间的特征对应关系，而LSTM/BiLSTM层的输出矢量归一化，使得向量泛化．所以BiLSTM-CRF的在命名实体识别效果最好．