《表2 不同数据集的结果，%》

  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

《基于膨胀卷积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

分别在MSRA和简历数据集上实验，结果如表2所示。总体来说，使用条件随机场模型的F1评分均有提升。Bi-LSTM-CRF模型比Bi-LSTM模型在MSRA数据集上提高了9.53%，在简历数据集上提高了2.07%。相比于Bi-LSTM模型，GDCNN-CRF模型在MSRA和简历数据集F1值分别提高了10.31%和4.87%。由于条件随机场可以从数据分布中学习到相邻标签之间的潜在关系，所以使用条件随机场的模型在F1值上会显著提高。在同样使用条件随机场的条件下，在MSRA数据集上GDCNN-CRF模型F1值相比于BiLSTM-CRF模型提高了0.78%，在简历数据集上提高了2.8%。同时，在简历数据集上，GDCNN-CRF模型的精确率相比于Bi-LSTM-CRF模型提高了3.76%。加入了Glo Ve词向量的膨胀卷积模型可以更准确地识别出实体。