《表3 不同模型在数据集CMNER上的表现》

  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

《问答系统命名实体识别改进方法研究》

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

不同模型在数据集CMNER上的最佳表现如表3所示。可以看出，在该数据集上的效果没有前两个数据集明显，分别使用bigram和unigram分词方式时，与经典模型相比，其精确率和F1得分都略有下降，但准确率和召回率均为使用该模型时最高，分别提升了0.02%和0.50%。该模型在CMNER数据集效果不太明显，仅有两项指标效果有所提升，可能是因为该数据集中的实体多为类似“胸部正位DR片”等检查项目类的实体，名称比较复杂，难以辨认，导致建立的格子词典的作用没有发挥出来，因此格子结构没有取得更优异的效果。