《表7 MSWE@CFM＿SAM+CFM＿SFM的λ与影响分析》

  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

《基于多源信息融合的分布式词表示学习》

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

从表2中可以发现，MSWE@CFM＿SFM、MSWE@CFM＿sam＿SFM、MSWE@CFM＿SAM和MSWE@CFM＿SAM+CFM＿SFM等的多源信息融合方式是行之有效的，且其性能在词语表示学习的相似度评测任务中均优于单一的结构特征模型，例如，SGNS、CBOW、Huang、Glove和DEPS等模型。但是上述实验是在词表示向量长度为100，且IMC算法中λ为0.1的设置下所得到的数据结果。因此，表4～表7中详细分析了词表示向量长度和式（13）中的λ在Rare Words评测集上对词表示性能的影响。的取值为30、50、100、150和200，λ的取值为10-1、10-2、10-3、10-4和10-5。