Примечание: модели в начале предложения добавляют метку корпуса данных для различения задачи входного предложения и корпуса данных. Первоначально при тестировании расчёта значения F метка корпуса данных также учитывалась, что приводило к завышенным оценкам CWS и POS. Теперь эта ошибка исправлена, и таблицы обновлены значениями CWS и POS. Оценки немного снизились (среднее снижение CWS составило 0,11%, среднее снижение POS — 0,29%), но всё ещё превосходят модель SOTA.

В таблице проценты указаны в процентах. Оценка CWS представляет собой средний балл по 10 задачам. В Parsing два балла представляют собой Fudep и Fldep. Данные модели SOTA получены автором из онлайн-источников и статей. Если есть какие-либо упущения, пожалуйста, укажите на них. Автор будет благодарен за это. Пять показателей модели SOTA взяты из следующих пяти статей:

1. Huang W, Cheng X, Chen K, et al. Toward Fast and Accurate Neural Chinese Word Segmentation with Multi-Criteria Learning.[J]. arXiv: Computation and Language, 2019.
2. Hang Yan, Xipeng Qiu, and Xuanjing Huang. «A Graph-based Model for Joint Chinese Word Segmentation and Dependency Parsing». Transactions of the Association for Computational Linguistics 8 (2020): 78–92.
3. Meng Y, Wu W, Wang F, et al. Glyce: Glyph-vectors for Chinese Character Representations[J]. arXiv: Computation and Language, 2019.
4. Diao S, Bai J, Song Y, et al. ZEN: Pre-training Chinese Text Encoder Enhanced by N-gram Representations[J]. arXiv: Computation and Language, 2019.
5. Jie Z, Lu W. Dependency-Guided LSTM-CRF for Named Entity Recognition[C]. international joint conference on natural language processing, 2019: 3860–3870.

Для получения дополнительной информации о структуре модели и обучении можно обратиться к этой статье.