《表9 分别使用NLPIR和本文方法的目标欲识别实体和实际被识别实体数据对比》
提示：宽带有限、当前游客访问压缩模式
而采用NLPIR得到的部分数据结果与本文方法的对比结果如图3和表9所示。
| 图表编号 | XD00199344800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.12.01 |
| 作者 | 邵诗韵、周宇、杨蕾、钟茂生、戴芮、赵家乐 |
| 绘制单位 | 江西师范大学计算机信息工程学院、江西省电力公司、江西省科学院、江西师范大学计算机信息工程学院、国网甘肃省电力公司信息通信公司、江西师范大学计算机信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表9 实体领域识别识别率》2020.09.25
- 《表6 对比实验结果：融合多特征的老挝机构名实体识别方法》2020.10.01
- 《表4 4种模型结果对比：基于BERT模型的司法文书实体识别方法》2020.10.01
- 《表2 医学实体和属性的识别结果》2021.01.10
- 《表3 实体识别模型的训练时间和准确率》2020.06.01
- 《表3 基于机器学习和深度学习模型的古文命名实体识别研究汇总》2021.01.01
- 《表1 数据集统计：基于不同模型的中文命名实体识别方法研究》2021.01.01
- 《表9 工作对比分析：改进的知识迁移景点实体识别算法研究及应用》2020.05.25
- 《表3 不同模型的论文使用研究方法实体识别结果》2020.06.24
- 《表2 实验结果对比：基于Bert,ReZero和CRF的中文命名实体识别》2020.06.18
- 《表5 CRF和BiGRU实体识别对比》2020.06.20
- 《表1 电子病历识别任务目标实体解释》2020.04.01
- 《表6 综合实验结果对比：肝癌患者在线提问的命名实体识别研究:一种基于迁移学习的方法》2019.12.25
- 《表2 各领域数据集组成：肝癌患者在线提问的命名实体识别研究:一种基于迁移学习的方法》2019.12.25
- 《表5 不同命名实体识别方法对比》2019.09.01
- 《表2 实体数量统计：基于深度学习和多特征融合的中文电子病历实体识别研究》2019.11.30
- 《表3 句子级实体标注和事件识别评价结果》2019.09.01
- 《表1 数据集：基于迁移学习和BiLSTM-CRF的中文命名实体识别》2019.06.01
- 《表9 3种识别情况分布：融入自注意力机制的社交媒体命名实体识别》2019.06.01
- 《表1 SPO三元组：基于电子病历的实体识别和知识图谱构建的研究》2019.12.01