《表2 和其他模型实验结果对比》
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E-CNN和BLSTM-CRF的临床文本命名实体识别》
表1中E-CNN-1表示使用单个CNN模型,卷积窗口大小为3;E-CNN-2表示使用两个CNN集成,卷积窗口大小为3和4;类推E-CNN-5表示使用五个CNN进行集成,卷积窗口大小分别为3~7。从表中可以看出,使用单个CNN模型与BLSTM-CRF结合得到的实体识别精确率为83.34%,召回率为80.04%,而在随着多种CNN模型集成后,实验测试到五种不同大小的卷积窗口的CNN进行集成,结果精确率达到90.42%,召回率为83.74%。在实验结果中,可以识别出复杂的实体名词,如腹腔镜直肠癌根治术等。实验证明,多种CNN模型集成可以帮助提升提取更丰富的边界特征信息,同时达到提升总体实体识别的精确率。与单CNN方法实验结果相比,多CNN集成方法的精确率、召回率、F值都相对较高。原因在于,使用多CNN集成方法可以将利用不同卷积核得到的特征进行组合,得到新的特征,多种特征的组合会更有效地表示词语之间的关系特征。因此,多CNN集成模型的实验结果会更好。本模型与其他文献中不同模型得到的实体识别效果相比较,具体结果如表2所示。
图表编号 | XD003913400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 曹春萍、关鹏举 |
绘制单位 | 上海理工大学光电信息与计算机工程学院、上海理工大学光电信息与计算机工程学院 |
更多格式 | 高清、无水印(增值服务) |