《表4 Turing test样例》

  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

《学术文本词汇功能识别——基于标题生成策略和注意力机制的问题方法抽取》

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

在表4所示的Turing test实验样例中，标题1和摘要均为原文内容（由人类撰写），标题2则为对应机器生成结果。限于人工评测方法的既有缺陷，本次Turing test实验只随机选取了200条数据作为测试集，具体结果如表5所示。从表5结果可发现，在大多数情况下（65%），模型生成标题的质量在一定程度上能达到原文水准，少部分情况下表现更优（28%）。该实验结果表明，基于Encoder-Decoder架构的seq2seq模型能够较好的学习人类在标题上的行书特征，可为学术文本中核心问题与核心方法的识别研究提供有力支撑。