《表1 7种算法对军事命名实体识别结果》

  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

《基于迁移表示学习的军事命名实体识别》

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

试验选取对比算法有传统CRF[1?2，5]、以字为输入的Bi?LSTM?CRF[8]、以字为输入的Bi?LSTM?CNN?CRF[10]，以字为输入的Bi?LSTM[7]、BERT?DNN?CRF以及DILATION?CRF 7种算法。表1给出了7种算法在军事语料测试集上的军事命名实体识别的准确率、召回率和F1值，均为总体加权平均值。表1可见，BERT?Bi?LSTM?CRF算法表现最优，平均F1值为0.985，这是因为该算法充分考虑了字、语义块、字的位置及其词性标注的共同影响，虽然样本量不足，但是基于BERT的迁移学习，在某种程度上能提升模型的领域迁移能力和泛化能力。同时，该算法的Bi?LSTM?CRF层能够反映军事领域文本的上下文信息。本文综合上述设计提出的BERT?Bi?LSTM?CRF算法具有较高的准确率和泛化能力。CRF命名实体识别主要针对通用领域并通过人工构建特征，因此其在军事领域命名实体识别上表现较差，基本无法识别出部队装备和物资弹药类的目标类型。Bi?LSTM算法仅考虑字级别的输入特征，虽然能反映语料的上下文信息，但在预测每个字类别时，仅考虑当前位置字的输出信息，未考虑上下文字的预测类别信息，因此效果略差。Bi?LSTM?CRF算法考虑了预测类别的序列信息，但在输入层仅考虑了字级别的输入特征，因此表现稍逊BERT?Bi?LSTM?CRF算法。Bi?LSTM?CNN?CRF算法虽然通过CNN对输入的字序列进行重新编码，获得词语块特征，但其改善效果仍不及加入词性特征。BERT?DNN?CRF算法虽然能考虑通用领域特征，但在解码阶段考虑序列上下文信息不足，因此准确率略差于BERT?Bi?LSTM?CRF算法。