基于Iattice的语音文档分类.pdfVIP

2010年第 1期 大 众 科 技 No．1。2010 (总第 125期 ) DAZHoNG KEJ (CumulativelyNo．125) 基于 Iattice的语音文档分类 陈 晶 (哈尔滨工程大学信息与通信工程学院，黑龙江 哈尔滨 150001) 【摘 要】基于词片网格的语音文档主题分类，为了从网格 (1attice)多候选中得到语音文档主题分类召回率更高，提出了 在 lattice音节网格上直接提取词片，并且在处理语音词片的同时，将非负矩阵分解方法引入语音文档主题的分类。该方法避免 了语音识别率低所导致的语音文档主题分类准确性的降低。实验结果表明：当N-best的召回率为91．66％时．基于混淆网络的 关键词检 出系统的召回率为 96．67％，当SVD 的F1值为 83．38％，NMF的F1值为 96．944％。 【关键词】网格 ：语音文档 ；主题分类 【中图分类号】TN912．3 【文献标识码】A 【文章编号】1008—1151(2010)01—0055—02 (一)引言 在后端分类过程中，首先应用传统的向量空间模型将生 语音文档 自动分类是指根据语音文档得 内容或属性，将 成的词片转化成矩阵形式；通过 NMF分解模块进行矩阵的降 大量的文档规划到一个或多个预先定义好的主题中。国外语 维分解；最后通过分类模块的分类器进行分解，本文选用的 音 自动分类的研究起步较早，始于 2O世纪 50年代末，经过 类中心分类方法得到最后的结果。 几十年的卓有成效的研究得到了广泛应用，较为成功的有卡 (三)基于混淆网络的词片生成模块 内基集团为路透社开发的Construe系统等。与国外相比，由 1．混淆网络的概念 于中国的自动分类工作起步较晚，离实际应用还有一定距离。 混淆网络是指 lattice结构中弧和结点通过动态对齐生 传统语音文档主题分类方法是利用 HTK平台将语音文档 成的一种新的结构。在这种结构中，所有竞争同一个发音位 识别成N—best的方式，选择文本识别的最佳路径，再对其进 置的词形成一个集合，然后把这些集合按照时间顺序依次连 行主题分类，本文针对这种传统方法识别率低直接影响分类 接起来。混淆网络结构很好的解决了 lattice中的识别结果 的准确性的缺点，提出直接在 lattice基础上通过词片结合 时间上相互交叠的现象，突出了识别结果之间的竞争关系， 当前经典的NMF算法进行主题分类。论文其他部分安排如下： 这为语音文档的主题分类提供了可靠保证。 第 2部分将介绍基于词片网格的主题分类系统框架；第 3部 2．词片生成 分将介绍词片网格的生成与应用；第 4部分对于文本分类的 词片生成是指在混淆网络的基础上，提取出竞争同一时 处理，第 5部分将给出实验结果，并针对结果进行分析：得 间段的词片，本次试验中是生成字在节点上的lattice结构。 出的结论讲在第 6部分给出。 设 lattice中的结点为 { 月 ··}，弧为 {eo,P ··}， (二)基于词片网格的语音主题分类系统框架 每个结点胁∈N含有一个时间标记 (月 。设 lattice中的弧 基于词片网格的语音主题分类系统框图如图1所示： 岛一表示结点 “连接到结点 V的弧。设混淆网络中的结点为 NS={No, ，…}， 一表示混淆网络中结点 连接到结点 的 一 组弧 。