《表3 试件主要参数：基于准循环神经网络的中文命名实体识别》

  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

《基于准循环神经网络的中文命名实体识别》

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

根据表3中前3组模型的实验结果可以看出，BLSTM网络能够综合考虑序列化文本的上下文信息，与单向的LSTM网络相比系统性能有了较明显的提升，F1值达到了85.84%。BQRNN模型实验的F1值比BLSTM模型提高了0.42%。与此同时，通过BLSTM模型、BLSTM-CRF模型、BQRNN模型和BQRNN-CRF模型的实验结果对比可以看出，CRF模型与神经网络所构成的联合模型可以明显地提高命名实体识别的性能。究其原因，联合模型在考虑上下文信息的同时，通过CRF模型获得了序列级别的标签信息，所以标注的性能得到了进一步的提高。相较于BLSTM-CRF模型，未添加Attention机制的BQRNN-CRF模型的F1值有了0.45%的提高，其主要原因是QRNN可以基于序列数据并行运算，具有较高的吞吐量和长序列缩放性。BQRNN-CRF模型添加了Attention机制后，模型的F1值达到了90.12%，相比未添加Attention机制的模型F1值提高了1.36%。