《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》

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

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。