《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》

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

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。