《表1 不同模型在resume NER数据集上的最佳表现》

  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resume NER上的最佳表现如表1所示。训练模型主要包括4类，分别是LSTM+bigram、LSTM+unigram、本文模型（双向格子LSTM)+bigram和本文模型（双向格子LSTM)+unigram，其中，bigram和unigram代表两种分词方式，分别是二元分词（将句子每两个字切分一次）和一元分词（将句子每一个字切分一次）。从表1可以看出，应用该模型在该数据集上采用两种分词方式的表现均比使用LSTM的效果好，对于分别使用unigram和bigram分词方式时，与LSTM相比，应用该模型F1分数分别提升了0.27%和2.60%，其余4类指标均得到了有效提升，并且可以看出，此时采用bigram分词方式时效果最好。总之，该模型在resume NER数据集上的效果比LSTM模型好。