《Table 2 Experimental result comparison among different models表2不同模型实验对比结果》

  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Wasserstein GAN的文档表示模型》

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

此外，本文还与判别器为普通自编码器的WADM模型进行了对比，并使用更深层的神经网络进行实验，结果如表2所示，其中Deep WADM为WADM的深度版本，生成器使用5层神经网络，判别器中的编码器和解码器分别使用2层神经网络，WADM（Autoencoder）则为使用普通自编码器作为判别器的WADM模型，Deep WADM（Autoencoder）的参数设置和Deep WADM相同。由表2可知，去噪自编码器相比普通自编码器有更好的文档表示能力，且使用深层神经网络有助于模型性能的提升。在将文档中语句“From:[email protected]（where's my thing）”的“lerxst”和“wam”交换位置之后，WADM模型对该文档的表示向量与交换位置之前的表示向量的余弦距离为0.38，而DocNADE和Replicated Softmax求出的余弦距离为0.15，Skip-gram求出的余弦距离则为0，这表明WADM模型可以较好地捕捉到词序信息。