《表3 depRNN与Tree-LSTM模型对比结果 (训练耗时:秒/epoch)》
除效果上的优势之外,本文提出的depRNN模型,相对Tree-LSTM模型,训练效率上也展现出非常大的优势。在depRNN模型中,可以采用minibatch的方式进行训练,因此可以并行化操作,而Tree-LSTM由于是在依存句法树上进行操作,因此无法并行训练。从表3也可以看出,即使同depRNN基线模型相比,Tree-LSTM每次迭代花费的时间是depRNN的4.4倍。因此,从效果和效率两个方面来说,本文提出的depRNN模型,都优于当前主流的Tree-LSTM模型。
图表编号 | XD0070616300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 陈志刚、华磊、刘权、尹坤、魏思、胡国平 |
绘制单位 | 科大讯飞股份有限公司人工智能研究院、认知智能国家重点实验室、科大讯飞股份有限公司人工智能研究院、科大讯飞股份有限公司人工智能研究院、认知智能国家重点实验室、中国科学技术大学信息科学技术学院、科大讯飞股份有限公司人工智能研究院、科大讯飞股份有限公司人工智能研究院、认知智能国家重点实验室、科大讯飞股份有限公司人工智能研究院、认知智能国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |