《表1 模型中的参数值：基于联合学习的跨领域法律文书中文分词方法》
提示：宽带有限、当前游客访问压缩模式
（3）参数设置:本文使用LSTM模型进行中文分词实验，模型中的具体超参数如表1所示。
| 图表编号 | XD0091814300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.09.01 |
| 作者 | 江明奇、严倩、李寿山 |
| 绘制单位 | 苏州大学计算机科学与技术学院、苏州大学计算机科学与技术学院、苏州大学计算机科学与技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 FILTER参数：基于深度学习的《辞海》分词方法》2020.06.05
- 《表4 相关参数设置：基于伪标注样本融合的领域分词方法》2021.02.20
- 《表1 数据描述性统计：基于双注意力机制和迁移学习的跨领域推荐模型》2020.10.01
- 《表1 数据集统计信息：基于共享知识迁移学习的跨领域推荐研究》2020.06.01
- 《表2 实验分组划分：基于共享知识迁移学习的跨领域推荐研究》2020.06.01
- 《表6 实验数据表：中文分词模型在中医病症语义理解中的研究与应用》2020.04.05
- 《表3 中文分词相关的多任务联合模型文献分析》2020.03.25
- 《表2 深度学习模型参数：基于深度学习的情报分析方法识别研究——以安全情报领域为例》2019.10.25
- 《表4 与其他模型对比：基于膨胀卷积神经网络模型的中文分词方法》2019.09.01
- 《表4 与其他模型对比：基于膨胀卷积神经网络模型的中文分词方法》2019.09.01
- 《表5 参数设置：基于膨胀卷积神经网络模型的中文分词方法》2019.09.01
- 《表3 基于不同参数的跨领域联合学习F值(%)(源领域:合同领域目标领域:婚姻领域)》2019.09.01
- 《表2 基于不同参数的跨领域联合学习F值(%)(源领域:婚姻领域目标领域:合同领域)》2019.09.01
- 《表3 不同分词结果对比：基于深度学习和迁移学习的领域自适应中文分词》2019.09.01
- 《表1 相关分词规定：基于深度学习和迁移学习的领域自适应中文分词》2019.09.01
- 《表3 模型超参数设置：一种基于双向LSTM的联合学习的中文分词方法》2019.10.01
- 《表1 1 基于不同中文分词方法计算的业务相似公司消息》2019.06.08
- 《表2 分词结果示例：基于深度神经网络模型的中文分词方案》2019.09.05
- 《表5 模型训练参数：基于BiLSTM-CRF的中文层级地址分词》2019.08.25
- 《表1例3的标注结果：基于多任务学习的中文事件抽取联合模型》2019.04.01