面向服務(wù)機(jī)器人的口語對(duì)話系統(tǒng)和語言模型技術(shù)研究.pdf

1、隨著語音識(shí)別技術(shù)的日漸成熟，在各個(gè)領(lǐng)域的應(yīng)用層出不窮。對(duì)于服務(wù)機(jī)器人領(lǐng)域，語音技術(shù)主要用于服務(wù)機(jī)器人上的口語對(duì)話系統(tǒng)，本文針對(duì)可佳機(jī)器人的具體應(yīng)用場景，探究了應(yīng)用于服務(wù)機(jī)器人口語對(duì)話系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)的過程。此外，本文還研究了與語音識(shí)別中語言模型相關(guān)的技術(shù)-聯(lián)合無監(jiān)督詞聚類的遞歸神經(jīng)網(wǎng)絡(luò)語言模型。
　　本文對(duì)面向服務(wù)機(jī)器人口語對(duì)話系統(tǒng)的研究主要涉及兩個(gè)方面:一是語音識(shí)別，二是對(duì)話管理。在語音識(shí)別方面，先較為詳細(xì)的介紹了語音識(shí)別相關(guān)基本

2、原理，然后介紹面向可佳機(jī)器人應(yīng)用的語料收集，隨后對(duì)模塊所需聲學(xué)模型訓(xùn)練的完整步驟做了介紹，并對(duì)幾種聲學(xué)模型在本文提供的訓(xùn)練集和測試集下的性能做了實(shí)驗(yàn)和分析，實(shí)驗(yàn)表明，使用上下文相關(guān)的三音素模型具有最好的識(shí)別效果，最佳詞識(shí)別率達(dá)到98.39％，對(duì)應(yīng)的句子識(shí)別率為90.83％。針對(duì)機(jī)器人上機(jī)載計(jì)算設(shè)備計(jì)算能力有限和機(jī)器人在運(yùn)行過程中能提供自身狀態(tài)信息的特點(diǎn)，本文設(shè)計(jì)了可以壓縮解碼時(shí)搜索空間的動(dòng)態(tài)改變語言模型機(jī)制，并對(duì)最后完成的語音識(shí)別模塊做

3、了實(shí)驗(yàn)和分析，實(shí)驗(yàn)中基于動(dòng)態(tài)語言模型機(jī)制的語音識(shí)別模塊最佳句子識(shí)別率為87.95％，比不采用動(dòng)態(tài)語言模型機(jī)制的語音識(shí)別模塊高出12.05％。在對(duì)話管理方面，針對(duì)服務(wù)機(jī)器人的特點(diǎn)，本文采用層疊狀態(tài)機(jī)的設(shè)計(jì)方法并使用python語言實(shí)現(xiàn)了這一對(duì)話管理框架，接著介紹了我們對(duì)話管理框架中的多模態(tài)信息加入和驗(yàn)證與確認(rèn)機(jī)制，并最后介紹了本文設(shè)計(jì)的對(duì)話管理在可佳機(jī)器人上具體任務(wù)cocktailparty上的應(yīng)用。
　　另外，本文還深入研究了無監(jiān)

4、督詞聚類方法在遞歸神經(jīng)網(wǎng)絡(luò)語言模型上的應(yīng)用?；谶f歸神經(jīng)網(wǎng)絡(luò)的語言模型被證明有領(lǐng)先的效果，研究表明，在遞歸神經(jīng)網(wǎng)絡(luò)語言模型的輸入層加入詞性標(biāo)注信息，可以顯著提高模型的效果。但使用詞性標(biāo)注需要手工標(biāo)注的數(shù)據(jù)訓(xùn)練，耗費(fèi)大量的人力物力，并且額外的標(biāo)注器增加了模型的復(fù)雜性。為解決上述問題，本文嘗試將布朗詞聚類的結(jié)果代替詞性標(biāo)注信息加入到遞歸神經(jīng)網(wǎng)絡(luò)語言模型輸入層。實(shí)驗(yàn)顯示，在PennTreebank語料上，加入布朗詞類信息的遞歸神經(jīng)網(wǎng)絡(luò)語言模型