《表8 各模型在CCKS2017上的识别结果》

  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

《基于部首嵌入和注意力机制的病虫害命名实体识别》

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

为了验证RS-ADP模型的泛化性，选用2017年全国知识图谱与语义计算大会（China Conference on Knowledge Graph and Semantic Computing，CCKS2017）公布的临床医学实体标注语料作为对照数据集，该数据集包含5种类别，即疾病、检查、症状、治疗和身体部位。由表8可知，RS-ADP在该数据集上取得最大F1值，明显优于RD-CNN-CRF和GATEDCNN-CRF等基于CNN的模型。并且相对于基准模型Bi LSTM-CRF，其F1值提高了1.11个百分点。虽然IDCNN的识别结果略低于基准模型，但在实验过程中，该模型可利用GPU并行性，训练速度明显加快。TENER、BERT-Bi LSTM-CRF和FT-BERT+Bi LSTM+CRF等基于Transformer模型在CCKS2017上的识别结果低于RS-ADP，原因可能是由于CCKS2017数据量较小影响了上述模型识别性能。综上，上述结果不仅说明了RS-ADP模型的有效性，而且还说明该模型具有一定的泛化能力。