《表3 基于有监督词对匹配结果》
提示：宽带有限、当前游客访问压缩模式
实验结果表明，加入多文本特征词对扩展的词对检测模型，相比只使用预训练词向量的基本模型准确率有明显提升，在5分类中达到了76.8%，结果如表3所示。
| 图表编号 | XD00197437300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.12.15 |
| 作者 | 郑德权、于凤、王贺伟 |
| 绘制单位 | 哈尔滨商业大学计算机与信息工程学院、哈尔滨商业大学计算机与信息工程学院、哈尔滨工业大学计算机科学与技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表5 倾向得分匹配：自媒体信息披露可引发监督效应吗——基于上市公司盈余管理视角的研究》2020.10.01
- 《表3 变量描述性统计：无监督的问句相似度匹配方法》2020.12.31
- 《表2 有监督学习实验比较（图片数据集）》2020.12.20
- 《表2 基于有监督词对匹配训练集》2020.12.15
- 《表3 测量结果：客户与审计师匹配关系、监督治理与股价崩盘风险》2020.07.20
- 《表7 匹配后的巡视监督与审计意见购买回归结果》2020.11.01
- 《表1：有监督的未知雷达状态识别的测试结果》2020.07.01
- 《表1 有监督实体关系抽取的经典模型》2020.06.15
- 《表2 测试结果对比：面向企业信息推送的短文本有监督分类》2020.03.25
- 《表3 有监督和无监督人脸验证方法的性能对比1)》2020.09.30
- 《表2 3种有监督分类模型的预测结果》2020.02.20
- 《表4 有监督注意力机制的实验结果》2020.01.01
- 《表3 动作识别效果对比：基于动作模板匹配的弱监督动作定位》2019.08.10
- 《表1 动作类别预测结果：基于动作模板匹配的弱监督动作定位》2019.08.10
- 《表4 定位效果对比：基于动作模板匹配的弱监督动作定位》2019.08.10
- 《表2 基于深度学习的有监督和远程监督实体关系抽取对比》2019.06.01
- 《表1 有监督实体关系抽取核心公式》2019.06.01
- 《表3 有监督方法检出效果》2019.02.01
- 《表5:本村是否有建立监督委员会等监督机构》2018.11.15
- 《表3 有监督方法的性能比较》2019.11.15