Speech Repairs, Intonational Boundaries and Discourse Markers: Modeling Speakers’ Utterances in Spoken Dialog

دسته بندی: سازمان و پردازش داده ها
ویرایش:  
نویسندگان: Heeman Peter Anthony.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 284 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 849 کیلوبایت 

قیمت کتاب (تومان) : 37,000

تعمیرات گفتار، مرزهای زبانی و نشانگرهای گفتمان: مدلسازی سخنان سخنرانان در گفتگوی گفتاری توسط پیتر آنتونی هیمن
دانشگاه روچستر، روچستر، نیویورک. 1997 چکیده
گفتگوی گفتاری تعاملی چالش‌های جدیدی را برای سیستم‌های
درک زبان طبیعی فراهم می‌کند. یکی از مهم‌ترین چالش‌ها صرفاً تعیین
گفتارهای مورد نظر گوینده است: هم تقسیم‌بندی چرخش گوینده به گفته‌ها و هم تعیین
کلمات مورد نظر در هر گفته. حتی با فرض تشخیص کامل کلمه، مشکل
آخری با وقوع تعمیرات گفتاری پیچیده می‌شود، که در جایی رخ می‌دهد که گوینده به عقب برمی‌گردد و چیزی را که گفته است تغییر می‌دهد (یا تکرار می‌کند). کلماتی که
جایگزین یا تکرار می شوند، دیگر بخشی از گفته مورد نظر نیستند، و بنابراین نیاز به شناسایی دارند. با مشکل سوم در هم تنیده شده است: شناسایی نشانگرهای گفتمان.
موارد واژگانی که می توانند به عنوان نشانگر گفتمان عمل کنند، مانند خوب و خوب،
مبهم هستند که آیا یک واحد گفتار را معرفی می کنند یا یک گفتار را سیگنال می دهند
تعمیر کنید، یا صرفاً بخشی از متن یک گفته هستند، همانطور که در آن اشکالی ندارد. سیستم‌های گفتگوی
گفتاری باید این سه موضوع را با هم و در مراحل اولیه پردازش
بررسی کنند. در واقع، همانطور که این سه موضوع به شدت با یکدیگر در هم تنیده هستند،
با شناسایی نقش نحوی یا قسمتی از گفتار (POS) هر کلمه و مشکل تشخیص گفتار نیز در هم تنیده شده اند. پیش بینی کلمه بعدی با توجه به
کلمات قبلی.
در این پایان نامه، ما یک مدل زبان آماری برای حل این مسائل ارائه می کنیم.
به جای یافتن بهترین تفسیر کلمه برای یک سیگنال صوتی، ما دوباره تعریف می کنیم. مشکل
تشخیص گفتار به طوری که تگ‌های POS، نشانگرهای گفتمان،
تعمیرات گفتار و پایان‌های عبارات زبانی را نیز شناسایی می‌کند (یک نشانه اصلی در تعیین واحدهای بیان
viii
). افزودن این عناصر اضافی به مشکل تشخیص گفتار در واقع به آن امکان می‌دهد
کلمات درگیر را بهتر پیش‌بینی کند، زیرا می‌توانیم از پیش‌بینی‌های
تن‌های مرزی، نشانگرهای گفتمان و تعمیرات گفتار برای توضیح بهتر استفاده کنیم. چه کلمه ای
بعدی رخ خواهد داد. علاوه بر این، ما می‌توانیم از اطلاعات آکوستیک، مانند اطلاعات
سکوت، که با تعمیرات گفتاری و پایان‌های اصطلاحی
هم‌زمان رخ می‌دهد، که مدل‌های زبان فعلی فقط می‌توانند به عنوان نویز در سیگنال صوتی در نظر بگیرند، استفاده کنیم. .
خروجی این مدل زبان شرح بسیار کامل تری از نوبت گوینده است، با
بخشی از گفتار اختصاص داده شده به هر کلمه، پایان های عبارت لحنی و نشانگرهای گفتمان
شناسایی شده، و گفتار تعمیرات شناسایی و اصلاح شد. در واقع، شناسایی
پایان‌های عبارت، نشانگرهای گفتمان، و حل و فصل تعمیرات گفتار
به تشخیص‌دهنده گفتار این امکان را می‌دهد تا به جای صرفاً
کلمات درگیر، گفتارهای گوینده را مدل‌سازی کند. بنابراین می‌تواند تحلیل معناداری بیشتری از نوبت گوینده را برای پردازش بعدی برگرداند.

Speech Repairs, Intonational Boundaries and Discourse Markers: Modeling Speakers’ Utterances in Spoken Dialog by Peter Anthony Heeman
University of Rochester, Rochester, New York. 1997 Abstract
Interactive spoken dialog provides many new challenges for natural language understanding
systems. One of the most critical challenges is simply determining the speaker’s
intended utterances: both segmenting a speaker’s turn into utterances and determining
the intended words in each utterance. Even assuming perfect word recognition, the latter
problem is complicated by the occurrence of speech repairs, which occur where the
speaker goes back and changes (or repeats) something she just said. The words that are
replaced or repeated are no longer part of the intended utterance, and so need to be identified.
The two problems of segmenting the turn into utterances and resolving speech
repairs are strongly intertwined with a third problem: identifying discourse markers.
Lexical items that can function as discourse markers, such as well and okay, are
ambiguous as to whether they are introducing an utterance unit, signaling a speech
repair, or are simply part of the context of an utterance, as in that’s okay. Spoken
dialog systems need to address these three issues together and early on in the processing
stream. In fact, just as these three issues are closely intertwined with each other,
they are also intertwined with identifying the syntactic role or part-of-speech (POS) of
each word and the speech recognition problem of predicting the next word given the
previous words.
In this thesis, we present a statistical language model for resolving these issues.
Rather than finding the best word interpretation for an acoustic signal, we redefine the
speech recognition problem to so that it also identifies the POS tags, discourse markers,
speech repairs and intonational phrase endings (a major cue in determining utterance
viii
units). Adding these extra elements to the speech recognition problem actually allows it
to better predict the words involved, since we are able to make use of the predictions of
boundary tones, discourse markers and speech repairs to better account for what word
will occur next. Furthermore, we can take advantage of acoustic information, such as silence
information, which tends to co-occur with speech repairs and intonational phrase
endings, that current language models can only regard as noise in the acoustic signal.
The output of this language model is a much fuller account of the speaker’s turn, with
part-of-speech assigned to each word, intonation phrase endings and discourse markers
identified, and speech repairs detected and corrected. In fact, the identification of
the intonational phrase endings, discourse markers, and resolution of the speech repairs
allows the speech recognizer to model the speaker’s utterances, rather than simply the
words involved, and thus it can return a more meaningful analysis of the speaker’s turn
for later processing.