《表6 各方法术语抽取结果对比（统计学方法展示排序前10的结果，CRF及Bi-LSTM+CRF方法展示未出现于训练语料中的任意10个结果）》

  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

《学术文献术语抽取方案比较研究》

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

在统计学方法使用前采用语言学模板提取候选术语，相比采用N-gram模型能够有效地提升统计学术语抽取效率。实验发现一些低频词性模板是噪声模板（例如错误的分词引入的词性组合、关键词“A和B”等非术语引入的词性组合等），仅采用高频词性模板能够提升抽取效率。利用词性组合在集合中占有的比重来近似模型权重，能有效地提升统计方法对一元术语抽取的效率。移除高频词、低频候选术语以及子串归并能够有效地提升TF-IDF、KLI等方法的效果；然而对于C-value、KLP等依赖于父串、子串信息的方法有不利影响，因为删除高频、低频和子串信息后，这些方法计算出的结果不能体现真实排序。统计学方法均是基于词频的方法，因此对于抽取低频术语效果不佳。CRF方法在抽取低频术语时有较好的表现。考虑词频、词长、词性组成、词性构成比重、父串和子串信息、上下文词信息、引入外部语料等均有利于术语的抽取。针对统计学方法去除每一种方法结果中的异常大或异常小的数值，再对各结果进行标准化，最后根据每一种方法的效率来分配权重求综合值，这种方法可以弥补单一方法考虑信息不全和极端值的问题。虽然基于机器学习的方法（CRF、Bi-LSTM+CRF）抽取术语测评结果的各项指标中均要高于统计学方法，但是统计学方法依然是有一定意义的。从新词抽取的结果上可以看出（见表6），统计学方法可以有效地发现领域中的新词而无需标注语料。