为了降低该段话的查重率并保持其句句对应如何修改以下这段话。在第四章的实验中通过对比发现GRU模型的分类性能都要优于TextCNN模型。与LSTM相比GRU结构更加型简单参数量减少计算量也相应减小模型的效果却相当。在单层的GRU网络中各时刻状态一般由前到后单向传播当前时刻的输出信息只能通过之前时刻的状态信息来预测。然而在某些任务中之前时刻的状态信息和之后时刻的状态信息可能都会影响当前时刻的输出。因此

在第四章中的实验结果表明，GRU模型的分类性能在所有模型中都表现出优势，相较于TextCNN模型，其性能表现更佳。相对于LSTM结构，GRU结构更为简单，参数量减少，计算量也相应减少，但模型效果相当。在单层GRU网络中，各时刻状态一般由前向传播，当前时刻的输出信息只能通过之前时刻的状态信息来预测。然而，在某些任务中，之前和之后时刻的状态信息都可能会影响当前时刻的输出。因此，提出了BiGRU结构，该模型在单层GRU基础上增加反向GRU，输出向量由正向和反向的学习向量拼接而得。该模型更好地融合了文本序列信息，结构如图5-2所示。为了减少查重率，对原文进行了适当修改而未改变原文的意思。