在每一轮训练结束后会输出 example.tsv 的预测结果， 本页面展示的是各模型在最后一轮训练的表现。
- BERT_base
Epoch 10/10
1249/1249 [==============================] - 586s 469ms/step - loss: 0.3423
生成标题: 城市交通场景下基于车辆节点认知交互度的路由算法
生成标题: 基于谱估计的近场域近场源信源联合估计
生成标题: 基于活跃时间分组的软件众包工人选择机制
生成标题: 基于弱变异准则的测试用例约简方法
生成标题: 基于强度通道的全色锐化算法
{'rouge-1': 0.6383649864171697, 'rouge-2': 0.5129763050360681, 'rouge-l': 0.5976169786104344, 'bleu': 0.4145005488762818}
- BERT_wwm_ext
Epoch 10/10
1249/1249 [==============================] - 585s 469ms/step - loss: 0.3411
生成标题: 基于车辆节点认知交互度的车辆节点认知交互算法
生成标题: 近场迭代自适应算法及其在遥感中的应用
生成标题: 基于活跃时间分组的软件众包工人选择机制
生成标题: 基于弱变异准则的回归测试用例约简方法
生成标题: 基于改进全色的高分辨率全色锐化算法
{'rouge-1': 0.6344220356256651, 'rouge-2': 0.5100048233019413, 'rouge-l': 0.5940419340566963, 'bleu': 0.4119736832537657}
- ALBERT_tiny
Epoch 10/10
1249/1249 [==============================] - 89s 71ms/step - loss: 1.9613
生成标题: 基于车辆节点认知交互度的车辆节点认知交互度路由算法研究与实现方法
生成标题: 近场迭代自适应的近场迭代自适应算法研究与仿真研究与仿真真析仿真真
生成标题: 基于活跃时间分组的软件众包工人选择机制研究与实现方法研究仿真研究
生成标题: 基于弱变异准则的测试用例约简方法研究与实现方法研究与实现测试用例
生成标题: 高分辨率高分辨率ms图像光谱信息和低分辨率ms图像的高分辨率ms图像仿
{'rouge-1': 0.5275799682392416, 'rouge-2': 0.37966878502548057, 'rouge-l': 0.48116332517643423, 'bleu': 0.21630711976289835}
- RoBERTa_wwm_ext
- 624s - loss: 0.2713
生成标题: 城市交通场景下基于车辆节点认知交互的路由算法
生成标题: 近场源波达方向和距离的迭代自适应算法
生成标题: 基于活跃时间分组的软件众包工人选择机制
生成标题: 基于弱变异准则测试用例约简方法
生成标题: 结合高分辨率pan和ms的全色图像融合算法
{'rouge-1': 0.6323933154691236, 'rouge-2': 0.5074163192344788, 'rouge-l': 0.589985027149821, 'bleu': 0.41317999615479317}
-
RoBERTa_wwm_large
-
LSTM_Seq2Seq
Epoch 20/20
1000/1000 [==============================] - 84s 84ms/step - loss: 0.0460 - val_loss: 13.4500
生成标题: 车联网环境下车站节点认证算法
生成标题: 近扇自适应具有参适参数的近场二维维参数估计估计
生成标题: 基于包分组组的软件组基组合机制改进机制机制
生成标题: 基于位痕长的测试用例约简约简约简约简约简约方法
生成标题: 基于稀疏表示的全觉C均化算法
rouge-l scores: 0.4180628794380348
rouge-1 scores: 0.46482555963683175
rouge-2 scores: 0.30485468579497704
bleu scores: 0.22006357637385537