《表6 与其他方法的对比结果》
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
《基于串并行卷积门阀循环神经网络的短文本特征提取与分类》
所提出方法与其他方法的对比结果如表6所示。表6中,SPCGRU–S和SPCGRU–AM–S分别代表采用Softmax和AM–Softmax函数进行分类的SPCGRU模型。G–Dropout[20]、F–Dropout[20]、Text–CNN[6]、CNN、DCNN[21]模型都是非时序的文本建模方法,没有考虑文本中时序信息对特征表达的影响。GRU模型仅仅将单个字符作为模型每个单元的输入,没有计算多个字符组成短语的情形。P–LSTM[9]虽然通过滑动窗口将多个词语混合输入LSTM中,但缺少对词语特征非线性组合。
图表编号 | XD0073421600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.20 |
作者 | 唐贤伦、林文星、杜一铭、王婷 |
绘制单位 | 重庆邮电大学自动化学院、重庆邮电大学自动化学院、重庆邮电大学计算机学院、重庆邮电大学自动化学院 |
更多格式 | 高清、无水印(增值服务) |