《表4 基于LSTM的电子病历实体识别的实验结果》
提示：宽带有限、当前游客访问压缩模式
综述，针对电子病历命名识别任务，MLP+embed的效果是最优，其也是最有效、最优秀的模型[9]。
| 图表编号 | XD0073061500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.01 |
| 作者 | 赵鸿阳 |
| 绘制单位 | 上海工程技术大学 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 文本格式攻击结果：基于命名实体识别的医疗文本零水印方案》2020.10.01
- 《表1 方案中的符号含义：基于命名实体识别的医疗文本零水印方案》2020.10.01
- 《表2 字符特征：基于命名实体识别的医疗文本零水印方案》2020.10.01
- 《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2 实验结果对比表：基于CNN-BGRU-CRF的中文电子病历实体抽取方法》2020.11.01
- 《表2 命名实体分类：结合注意力机制的Bi-LSTM-CRF中文电子病历命名实体识别》2020.07.10
- 《表1 实验参数设置：结合注意力机制的Bi-LSTM-CRF中文电子病历命名实体识别》2020.07.10
- 《表4 模型性能比对：基于多通道自注意力机制的电子病历实体关系抽取》2020.05.01
- 《表1 实验结果：基于半监督学习的命名实体识别的方法》2020.01.25
- 《表2 实体识别的实验结果》2019.09.01
- 《表4 实验参数表：关于命名实体识别的生成式对抗网络的研究》2019.06.01
- 《表5 基于LSTM+embed的电子病历实体识别的实验结果》2019.08.01
- 《表3 基于MLP+embed的电子病历实体识别的实验结果》2019.08.01
- 《表2 基于MLP的电子病历实体识别的实验结果》2019.08.01
- 《表1 基于CRF的电子病历实体识别的实验结果》2019.08.01
- 《表2 电子病历手术实体标准化实验结果》2019.08.15
- 《表4 语料库规模：基于句子级Lattice-长短记忆神经网络的中文电子病历命名实体识别》2019.05.20
- 《表4 不同模型结果对比：面向文本命名实体识别的深层网络模型》2019.01.01
- 《表2 实体识别的实验结果Table 2 Experiment results about entity recognition》2018.06.10
- 《表3 实验复杂度对比：基于CNN-CRF的中文电子病历命名实体识别研究》2019.12.01