Towards Adaptive Spoken Dialog Systems

ویرایش: 1 
نویسندگان: Alexander Schmitt. Wolfgang Minker (auth.)  
سری:  
ISBN (شابک) : 9781461445920, 9781461445937 
ناشر: Springer-Verlag New York 
سال نشر: 2013 
تعداد صفحات: 258 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 46,000



در نظارت سیستم‌های گفتگوی گفتاری تطبیقی، نویسندگان الکساندر اشمیت و ولفگانگ مینکر رویکردهای آماری را بررسی می‌کنند که امکان تشخیص الگوهای گفتگوی منفی را در سیستم‌های گفتگوی گفتاری (SDS) فراهم می‌کند. روش های تصادفی ارائه شده امکان استفاده انعطاف پذیر، قابل حمل و دقیق را می دهد.

با شروع پایه‌های یادگیری ماشینی و تشخیص الگو، این تک‌نگاره بررسی می‌کند که کاربران چگونه اغلب احساسات منفی را در سیستم‌های گفتاری گفتاری نشان می‌دهند و رویکردهای جدیدی را برای تشخیص احساسات مبتنی بر گفتار با استفاده از رویکرد ترکیبی برای مدل‌سازی احساسات توسعه می‌دهند. نویسندگان از روش‌های آماری مبتنی بر ویژگی‌های صوتی، زبانی و زمینه‌ای برای بررسی رابطه بین جریان تعامل و وقوع احساسات با استفاده از ضبط‌های غیرعملی چند هزار کاربر واقعی از SDS تجاری و غیرتجاری استفاده می‌کنند.

< p>علاوه بر این، نویسندگان روش‌های آماری جدیدی را ارائه می‌کنند که مشکلات را در یک گفتگو بر اساس الگوهای تعامل تشخیص می‌دهند. این رویکردها SDS آینده را قادر می سازد تا تعاملات طبیعی و قوی تری ارائه دهد. این کار بینش، درس و الهام‌بخشی را برای تحقیق و توسعه آینده، نه تنها برای سیستم‌های گفتاری گفتاری، بلکه برای رویکردهای داده‌محور به تعامل انسان و ماشین به طور کلی ارائه می‌کند.

In Monitoring Adaptive Spoken Dialog Systems, authors Alexander Schmitt and Wolfgang Minker investigate statistical approaches that allow for recognition of negative dialog patterns in Spoken Dialog Systems (SDS). The presented stochastic methods allow a flexible, portable and accurate use.

Beginning with the foundations of machine learning and pattern recognition, this monograph examines how frequently users show negative emotions in spoken dialog systems and develop novel approaches to speech-based emotion recognition using hybrid approach to model emotions. The authors make use of statistical methods based on acoustic, linguistic and contextual features to examine the relationship between the interaction flow and the occurrence of emotions using non-acted recordings several thousand real users from commercial and non-commercial SDS.

Additionally, the authors present novel statistical methods that spot problems within a dialog based on interaction patterns. The approaches enable future SDS to offer more natural and robust interactions. This work provides insights, lessons and inspiration for future research and development, not only for spoken dialog systems, but for data-driven approaches to human-machine interaction in general.

Front Matter....Pages i-xiv
Introduction....Pages 1-16
Background and Related Research....Pages 17-61
Interaction Modeling and Platform Development....Pages 63-97
Novel Strategies for Emotion Recognition....Pages 99-152
Novel Approaches to Pattern-based Interaction Quality Modeling....Pages 153-184
Statistically Modeling and Predicting Task Success....Pages 185-203
Conclusion and Future Directions....Pages 205-218
Back Matter....Pages 219-251