《表2 中文分词结果：基于规则和N-Gram算法的新词识别研究》
提示：宽带有限、当前游客访问压缩模式
本次实验抽取9 000条微博文本分三组作为输入，分别使用本文算法和中文ICTCLAS2016分词系统对其做分词处理，根据评价指标得到的结果如表2所示。
| 图表编号 | XD0059454400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.02.15 |
| 作者 | 姜如霞、黄水源、段隆振、罗丽娟 |
| 绘制单位 | 南昌大学信息工程学院、南昌大学信息工程学院、南昌大学信息工程学院、南昌大学信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 LB检验结果：基于主动学习的中文电子病历命名实体识别研究》2020.11.15
- 《表1 新词识别算法识别准确率对比》2020.11.28
- 《表2 新词发现日期示例：一种基于主动学习的中文新词识别算法》2020.11.28
- 《表5 最终实验结果：基于神经网络的中文谓语动词识别研究》2020.05.01
- 《表2 实验结果对比：基于Bert,ReZero和CRF的中文命名实体识别》2020.06.18
- 《表3 新词示例：无监督分词算法在新词识别中的应用》2020.04.01
- 《表1 分词效果对比表：基于Trie树的词语左右熵和互信息新词发现算法》2020.03.15
- 《表1 枝叶检索表示例：基于产生式规则的乔灌木识别推理算法研究》2020.03.01
- 《表2 实体数量统计：基于深度学习和多特征融合的中文电子病历实体识别研究》2019.11.30
- 《表2 5-Tag标记法：电商领域中有关物流评价中文分词的研究》2019.11.20
- 《表4 实验对比结果：电商领域中有关物流评价中文分词的研究》2019.11.20
- 《表2 实验结果：基于规则和机器学习的中文电子病历患者隐私保护算法》2019.10.01
- 《表5 参数设置：基于膨胀卷积神经网络模型的中文分词方法》2019.09.01
- 《表3 不同分词结果对比：基于深度学习和迁移学习的领域自适应中文分词》2019.09.01
- 《表1 相关分词规定：基于深度学习和迁移学习的领域自适应中文分词》2019.09.01
- 《表1 分词、权重图：基于SimHash的文本相似检测算法研究》2019.08.05
- 《表1 1 基于不同中文分词方法计算的业务相似公司消息》2019.06.08
- 《表2 分词结果示例：基于深度神经网络模型的中文分词方案》2019.09.05
- 《表1 中文术语规则：基于语义规则和关联规则的特定领域中文术语字典的构造》2019.02.15
- 《表2 词位标注集：基于BiLSTM-CRF的中文层级地址分词》2019.08.25