《表4 中文蕴含语块-类型识别任务上各系统的性能》

  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

《中文文本蕴含类型及语块识别方法研究》

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

以上4个实验的输入均保持一致，仅在系统的模型结构部分不同.从表4看出，BERT（61.58%）在测试集上的表现优于ESIM（52.80%）.这证实了BERT模型在蕴含语块-类型识别任务上的有效性，其使用更加灵活，更能学习上下文的关系，对前后语块联系密切的边界标注任务十分友好.BERT+Bi LSTM+CRF（62.06%）比Bi LSTM+CRF（50.92%）高11.14%，提升显著.而BERT+Bi LSTM+CRF（62.06%）只比BERT（61.58%）高0.48%，提升效果并不明显.在有BERT的情况下，将句对作为整体输入，加上Segment Label以区分前后句，使得BERT+Bi LSTM+CRF在句对标注任务上有更好的结果，然而Bi LSTM+CRF在其中作用有限.虽然Bi LSTM+CRF广泛应用在与命名实体识别相关的任务中，在单句标注任务上表现较好，但是本任务更关注句对之间的联合信息，Bi LSTM+CRF的实验效果在句对标注任务上不是很理想.