《表7 基于CoNLL-2003数据集的不同设置下的CWGAN模型效果对比表》

  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

《关于命名实体识别的生成式对抗网络的研究》

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

表7显示了使用预训练的词向量和使用随机初始化的词向量的结果对比，表中“dropout”代表训练时设置丢弃率，“pretrain（word2vec）”代表使用word2vec工具预训练的词向量，“pretrain（GloVe）”代表使用GloVe工具预训练的词向量，CWGAN和CWGAN+dropout代表使用随机初始化的词向量.结果显示，使用预训练的word2vec词向量比使用随机初始化的词向量F1值提高了6.99%到7.16%，说明与随机初始化的词向量相比，使用预训练的word2vec词向量可以获得更好的效果.而使用GloVe词向量F1值反而比随机初始化的词向量效果更差了，因此建议预训练词向量时使用w ord2vec词向量.表7中可以看出，在训练时使用“dropout”比不使用F1值提高了1.17%到1.02%，说明在训练时使用“dropout”可以提高模型的性能，这是因为“dropout”在训练阶段可以阻止神经元的共适应.