《表7 量词标注实验评估：连续手语识别中的文本纠正和补全方法》

  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

《连续手语识别中的文本纠正和补全方法》

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

单位：%

量词定位和补全的实验结果如表7所示，实验结果表明LSTM模型综合指标最低，Bi-LSTM的综合指标优于其他模型。HMM是统计模型，其对转移概率和表现概率直接建模，统计共现概率。在该量词定位实验中，量词位置具有明显的特征，例如量词通常跟在数词或代词后，并且每个量词有相对固定的搭配如“一条狗，一只鱼”，HMM能很好地提取这一信息。而LSTM虽能捕获长距离依赖，但其只能提取上文信息特征，无法利用下文信息特征，序列的特征抽取不够充分，因此标注效果不理想。相比之下，Bi-LSTM解决了LSTM的问题，又得益于非线性的建模，所以取得更好的结果。另外，根据文献[14]可知，Bi-LSTM+CRF作为目前主流的序列标注模型，其实验结果应优于Bi-LSTM，而本次实验训练数据为低维时序数据，且样本量相对较小，这是造成Bi-LSTM+CRF性能稍次于Bi-LSTM的主要原因。