3
  • 让TARGET是一组我希望被说出的字符串。
  • 让SOURCE是语音识别器返回的字符串集（即它听到的可能句子）。

我需要一种从TARGET. 我阅读了Levenshtein distance和Damerau-Levenshtein distance，它基本上返回源字符串和目标字符串之间的距离，即将源字符串转换为目标字符串所需的更改次数。

但是，如何将此算法应用于一组目标字符串？

我想我会使用以下方法：

  1. 对于属于 的每个字符串TARGET，我计算与 中每个字符串的距离SOURCE。通过这种方式，我们获得了一个m×n矩阵，其中 n 是 的基数，SOURCEn 是 的基数TARGET。我们可以说第 i 行表示语音识别器检测到的句子相对于第 i 个目标的相似度。
  2. 计算每一行上的值的平均值，可以得到第i个目标与语音识别器输出的平均距离。我们称之为，行索引average_on_row(i)在哪里。i
  3. 最后，对于每一行，我计算该行中所有值的标准差。对于每一行，我还执行所有标准差的总和。结果是一个列向量，其中每个元素（我们称之为stadard_deviation_sum(i)）引用一个字符串TARGET。

与最短关联的字符串stadard_deviation_sum可以是用户发音的句子。可以认为是我使用的正确方法吗？或者还有其他方法吗？显然，过高的值表明用户发音的句子很可能不属于TARGET.

4

2 回答 2

4

我不是专家，但你的建议没有意义。首先，在实践中，如果不是无限的话，我希望 TARGET 的基数非常大。其次，我不相信 Levensthein 距离或一些类似的相似性度量会有用。

如果 ：

  • 你真的可以定义 SOURCE 和 TARGET 集，
  • SOURCE 中的所有字符串都是同样可能的，
  • TARGET 中的所有字符串都是同样可能的，
  • SOURCE 和 TARGET 中的字符串不是字符而是音素，

那么我相信你最好的选择是在 SOURCE 中找到一对 p，在 TARGET 中找到 q，这样距离（p，q）是最小的。特别是因为你不能保证等概率部分，我认为你应该从头开始考虑问题，做一些研究并做出完全不同的设计。语音识别的常用方法是使用隐马尔可夫模型。我会从那里开始。

回答您的评论：选择更可能的。如果不考虑概率，那是没有希望的。

[假设以下示例是关于音素，而不是字符]

假设识别的单词是“chees”。目标集是“奶酪”、“国际象棋”。您必须计算 P(cheese|chees) 和 P(chess|chees) 我想说的是，并非每个替换都是等概率的。如果您将概率建模为字符串之间的距离，那么至少您必须允许例如 d("c","s") < d("c","q") 。（混淆 c 和 s 字母很常见，但混淆 c 和 q 并不常见）调整距离计算算法很容易，但很难为所有对提供好的值。

此外，您必须以某种方式估计 P(cheese|context) 和 P(chess|context) 如果我们谈论的是棋盘游戏，国际象棋更有可能。如果我们谈论的是乳制品，奶酪更有可能。这就是为什么您需要大量数据来得出这样的估计。这也是为什么隐马尔可夫模型可以很好地解决这类问题。

于 2012-04-30T20:14:28.937 回答
1

您需要首先计算这些概率：插入、删除和替换的概率。然后使用这些概率的日志作为每次操作的惩罚。

在“上下文无关”的情况下，如果 pi 是插入概率，pd 是删除概率，ps 是替换概率，则观察到相同符号的概率是 pp=1-ps-pd。

在这种情况下，分别使用 log(pi/pp/k)、log(pd/pp) 和 log(ps/pp/(k-1)) 作为插入、删除和替换的惩罚，其中 k 是系统。

本质上，如果您在源和目标之间使用这种距离度量，您将获得在给定源的情况下观察该目标的对数概率。如果您有一堆训练数据（即源-目标对），请为这些概率选择一些初始估计，对齐源-目标对并重新估计这些概率（AKA EM 策略）。

您可以从一组概率开始并假设上下文独立。稍后您可以假设上下文之间存在某种聚类（例如，假设有 k 组不同的字母，其替换率不同......）。

于 2012-04-30T20:50:00.793 回答