·828· 智能系统学报 第14卷 1)反馈值K的选取实验 移学习，最终所获得的识别效果随K值变化情况 由以上的实验设置通过3组模型进行语义迁 如表12所示。 表12识别结果随K值变化情况 Table 12 The experimental results changed with K 参数 K=0 K=100 K=200 K=300 K=400 K=500 K=600 K=700 P 81.32 86.71 86.96 86.96 87.14 86.70 86.87 86.81 LSTM-CRF R 79.46 80.56 82.08 83.36 83.26 82.44 82.72 81.05 F 80.47 83.52 84.45 85.12 85.16 84.51 84.74 83.83 P 83.36 86.50 86.12 86.94 87.41 86.88 87.53 86.64 BiLSTM-CRF R 80.95 82.01 83.39 83.22 83.96 82.90 82.04 82.15 F 82.14 8419 84 5 R489 84.70 84.34 P 84.92 87.62 87.45 87.38 87.14 87.29 87.10 86.90 BiLSTM-CNN-CRFs R 83.03 84.37 84.71 85.40 85.93 85.57 85.68 84.88 F 83.96 85.97 86.05 86.37 86.53 86.42 86.39 85.87 3组模型识别结果变化折线图分别如图8~ 0.90 0.88 图10所示。 0.86 0.90 0.84 0.88 0.82 0.86 0.80 ◆P 0.78 R 0.84 F 0.76 0.82 0.74 0.80 P 0.72 0.78 R F 0.76 0.7960 200300 ）500600700 0.74 0.72 图10 BiLSTM-CRF识别结果 0.70 Fig.10 BiLSTM-CRF results 00200300400500600700 K 实验结果表明，3组模型的P、R和F值，同样 图8 BiLSTM-CNN-CRFs识别结果 呈现出先上升后下降的趋势，3组模型均在 Fig.8 BiLSTM-CNN-CRFs results K=500时F值达到最大。证明了随着迁移语义知 0.90r 识的增加，提高了模型的识别率。接下来取最佳 0.88 阈值K=500的识别结果进行对比试验。 0.86 结果表明，在不同数据集上K值的选择是由 0.84 0.82 该数据集上的实验结果反馈决定。本实验最优结 0.80 ◆P 果在K=400时达到稳定。而实验一中的包装实体 0.78 番-R F 识别在K=500时达到最优结果。如表13所示医 0.76 0.74 疗领域语料采用F-KNST算法迁移后的P、R、 0.72 F值同样有效果提升，F值分别提升4.96%、 0.7 00 200300400500600700 3.15%和2.57%，通过医疗领域的命名实体识别实 验，亦有效证明了本文构建的用于领域命名实体 图9LSTM-CRF识别结果 识别的BiLSTM-CNN-CRFs深度学习网络模型相 Fig.9 LSTM-CRF results 较于其他模型的优越性。1) 反馈值 K 的选取实验 由以上的实验设置通过 3 组模型进行语义迁 移学习，最终所获得的识别效果随 K 值变化情况 如表 12 所示。 3 组模型识别结果变化折线图分别如图 8~ 图 10 所示。 实验结果表明，3 组模型的 P、R 和 F 值，同样 呈现出先上升后下降的趋势， 3 组模型均 在 K=500 时 F 值达到最大。证明了随着迁移语义知 识的增加，提高了模型的识别率。接下来取最佳 阈值 K=500 的识别结果进行对比试验。 结果表明，在不同数据集上 K 值的选择是由 该数据集上的实验结果反馈决定。本实验最优结 果在 K=400 时达到稳定。而实验一中的包装实体 识别在 K=500 时达到最优结果。如表 13 所示医 疗领域语料采用 F-KNST 算法迁移后的 P、R、 F 值同样有效果提升， F 值分别提 升 4.96%、 3.15% 和 2.57%，通过医疗领域的命名实体识别实 验，亦有效证明了本文构建的用于领域命名实体 识别的 BiLSTM-CNN-CRFs 深度学习网络模型相 较于其他模型的优越性。 0.90 0.88 0.86 0.84 0.82 0.80 0.78 0.76 0.74 0.72 0.70 100 200 300 400 500 600 700 K P R F 图 10 BiLSTM-CRF 识别结果 Fig. 10 BiLSTM-CRF results 0.90 0.88 0.86 0.84 0.82 0.80 0.78 0.76 0.74 0.72 0.70 100 200 300 400 500 600 K 700 P R F 图 8 BiLSTM-CNN-CRFs 识别结果 Fig. 8 BiLSTM-CNN-CRFs results 0.90 0.88 0.86 0.84 0.82 0.80 0.78 0.76 0.74 0.72 0.70 100 200 300 400 500 600 700 K P R F 图 9 LSTM-CRF 识别结果 Fig. 9 LSTM-CRF results 表 12 识别结果随 K 值变化情况 Table 12 The experimental results changed with K 参数 K=0 K=100 K=200 K=300 K=400 K=500 K=600 K=700 LSTM-CRF P 81.32 86.71 86.96 86.96 87.14 86.70 86.87 86.81 R 79.46 80.56 82.08 83.36 83.26 82.44 82.72 81.05 F1 80.47 83.52 84.45 85.12 85.16 84.51 84.74 83.83 BiLSTM-CRF P 83.36 86.50 86.12 86.94 87.41 86.88 87.53 86.64 R 80.95 82.01 83.39 83.22 83.96 82.90 82.04 82.15 F1 82.14 84.19 84.74 85.04 85.65 84.85 84.70 84.34 BiLSTM-CNN-CRFs P 84.92 87.62 87.45 87.38 87.14 87.29 87.10 86.90 R 83.03 84.37 84.71 85.40 85.93 85.57 85.68 84.88 F1 83.96 85.97 86.05 86.37 86.53 86.42 86.39 85.87 ·828· 智 能 系 统 学 报 第 14 卷