JP2009047929A - Learning method of error correction model, device, program and recording medium with the program recorded thereon - Google Patents
Learning method of error correction model, device, program and recording medium with the program recorded thereon Download PDFInfo
- Publication number
- JP2009047929A JP2009047929A JP2007213992A JP2007213992A JP2009047929A JP 2009047929 A JP2009047929 A JP 2009047929A JP 2007213992 A JP2007213992 A JP 2007213992A JP 2007213992 A JP2007213992 A JP 2007213992A JP 2009047929 A JP2009047929 A JP 2009047929A
- Authority
- JP
- Japan
- Prior art keywords
- error correction
- recognition
- score
- weight
- correction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
Description
パターン認識などに用いられる誤り訂正モデルの学習に関する。 The present invention relates to learning of error correction models used for pattern recognition and the like.
音声認識、手書き文字認識、言語翻訳などのパターン認識では、入力データに対して一つまたは複数の認識結果をスコア順に提示することが行われる。一般的に、認識結果はスコアの最も高い結果である。しかし、実時間処理を必要としない場合などでは、全結果に対して誤り訂正モデルを用いたスコアの再付与を行い、認識誤り率のより低い認識結果を獲得することが行われる。 In pattern recognition such as speech recognition, handwritten character recognition, and language translation, one or more recognition results are presented in the order of score for input data. Generally, the recognition result is the result with the highest score. However, in the case where real-time processing is not required, re-assignment of a score using an error correction model is performed on all results, and a recognition result with a lower recognition error rate is obtained.
例えば音声認識のように認識結果として単語列が出力される場合では、誤り訂正の一手法に、単語の並び(単語N-gram)に応じたスコアを再付与する方法がある。この誤り訂正モデルの学習では、各単語の並びに応じたスコアの推定を行う。正解単語列から得られる単語の並びに高いスコアを与え、その他の単語列から得られる単語の並びに小さなスコアを与える。誤り訂正という問題の性質上、従来、正解より高いスコアを持つ単語列から得られる単語の並びに小さな値を付与することが重要視されてきた。 For example, when a word string is output as a recognition result as in speech recognition, there is a method of re-assigning a score according to a word arrangement (word N-gram) as one method of error correction. In this error correction model learning, a score corresponding to the sequence of each word is estimated. A high score of words obtained from the correct word string is given, and a small score of words obtained from other word strings is given. In the past, due to the nature of the problem of error correction, it has been important to give a small value to the word sequence obtained from a word string having a higher score than the correct answer.
このような言語処理分野における誤り訂正学習方法として、例えば非特許文献1が挙げられる。この非特許文献1に開示される手法は、認識結果の単語列である仮説ごとのN-gram頻度を素性としたパーセプトロンアルゴリズムによって誤り訂正モデルを学習するものである。
また、自然言語処理分野における誤り訂正学習方法として、非特許文献2を挙げることもできる。
Non-patent
従来の誤り訂正モデルの学習では、正解よりも高いスコアを持つ認識結果のスコア低減が重視されており、誤りパターンの獲得が十分になされていなかった。このため、誤り訂正モデルの精度に悪影響を及ぼしていた。 In conventional error correction model learning, emphasis is placed on reducing the score of a recognition result having a higher score than the correct answer, and an error pattern has not been sufficiently acquired. This adversely affects the accuracy of the error correction model.
上記問題点に鑑み、本発明の目的は、誤り訂正モデルの精度向上に寄与する誤り訂正モデルの学習である。 In view of the above problems, an object of the present invention is to learn an error correction model that contributes to improving the accuracy of the error correction model.
上記課題を解決するため、本発明では、パターン認識による複数の認識結果からなる集合(以下、認識結果集合という)に対して、各認識結果のスコアに依存する指標(以下、スコア指標という)と、このスコア指標に対する重み(以下、スコア指標重みという)と、各認識結果の特徴量と、この特徴量に対する重み(以下、特徴量重みという)とを用いて誤り訂正を行い、この誤り訂正で得られる誤り訂正結果を用いて特徴量重みを更新することを含む誤り訂正モデル学習であって、認識結果集合を、パターン認識によって得られた複数の認識結果からなる集合(以下、集合Aという)に含まれる部分集合であって、認識誤り率が高いものからなる集合とする。
従来では集合Aに含まれる全ての認識結果を用いて学習していたが、本発明では、認識誤り率基準で学習に使用する認識結果を制限する。このため、誤りの少ない認識結果の影響が除外され、誤りを多く含む認識結果の影響が強く反映された誤り訂正モデルの学習が実現される。これにより、効率的な誤りパターンの獲得が期待できる。
In order to solve the above-described problem, in the present invention, an index (hereinafter referred to as a score index) that depends on the score of each recognition result for a set of a plurality of recognition results by pattern recognition (hereinafter referred to as a recognition result set) The error correction is performed using the weight for the score index (hereinafter referred to as the score index weight), the feature amount of each recognition result, and the weight for the feature amount (hereinafter referred to as the feature amount weight). Error correction model learning including updating feature weights using an obtained error correction result, and a recognition result set is a set of a plurality of recognition results obtained by pattern recognition (hereinafter referred to as set A). Is a set consisting of the subsets having a high recognition error rate.
Conventionally, learning is performed using all recognition results included in the set A, but in the present invention, the recognition results used for learning are limited based on the recognition error rate criterion. For this reason, the influence of the recognition result with few errors is excluded, and the learning of the error correction model in which the influence of the recognition result including many errors is strongly reflected is realized. As a result, efficient acquisition of error patterns can be expected.
また、学習の収束を考慮して、認識結果集合は、パターン認識の正解を含むようにしてもよい。 In consideration of the convergence of learning, the recognition result set may include a correct pattern recognition answer.
また、認識結果集合に含まれる各認識結果に応じて得られる、スコア指標がスコア指標重みによって重み付けされた演算結果(演算結果A)および特徴量が特徴量重みによって重み付けされた演算結果(演算結果B)の和について、これらの間の大小関係を、特徴量が特徴量重みによって重み付けされた演算結果が支配的に決定するように、スコア指標重みを設定してもよい。演算結果Aと演算結果Bとの和の大小関係が、演算結果Aによって支配的に決定されると、誤りパターンの獲得が十分とならない可能性があるから、スコア指標重みを適切に設定してこれを防止する。
あるいは、スコア指標がスコア指標重みによって重み付けされた演算結果が認識結果のスコアと逆相関を持つように、スコア指標重みを設定してもよい。
Further, the calculation result obtained by weighting the score index by the score index weight (calculation result A) and the calculation result obtained by weighting the feature quantity by the feature quantity weight (calculation result) obtained according to each recognition result included in the recognition result set. Regarding the sum of B), the score index weight may be set so that the calculation result in which the feature amount is weighted by the feature amount weight is dominantly determined as the magnitude relationship between them. If the magnitude relationship of the sum of the calculation result A and the calculation result B is dominantly determined by the calculation result A, the error pattern may not be acquired sufficiently. Prevent this.
Alternatively, the score index weight may be set so that the calculation result obtained by weighting the score index with the score index weight has an inverse correlation with the score of the recognition result.
パターン認識が認識結果として単語列を求めるものであれば、特徴量を単語の並びに基づき上記単語列の特徴を表す指標とし、認識結果集合を、認識結果として単語列を求めるパターン認識によって得られた複数の認識結果からなる集合に含まれる部分集合であって、単語誤り率が高いものまたはスコアが低いものからなる集合とすることができる。 If the pattern recognition is to obtain a word string as a recognition result, the feature amount is used as an index representing the characteristics of the word string based on the word sequence, and the recognition result set is obtained by pattern recognition to obtain the word string as the recognition result. It is a subset that is included in a set of a plurality of recognition results, and can be a set that has a high word error rate or a low score.
本発明の誤り訂正モデル学習方法の各処理をコンピュータに実行させるプログラムによって、コンピュータを誤り訂正モデル学習装置として作動させることができる。そして、このプログラムを記録した、コンピュータに読み取り可能なプログラム記録媒体によって、他のコンピュータを誤り訂正モデル学習装置として機能させることや、プログラムを流通させることなどが可能になる。 The computer can be operated as an error correction model learning device by a program that causes the computer to execute each process of the error correction model learning method of the present invention. A computer-readable program recording medium that records this program makes it possible for another computer to function as an error correction model learning device, to distribute the program, and the like.
本発明によれば、誤りパターンの獲得が十分になるため、より高精度な誤り訂正モデルが生成される。また、学習に用いる認識結果集合が、認識誤り率基準で制限された認識結果の部分集合であるため、コンパクトな誤り訂正モデルの生成にも寄与する。 According to the present invention, since an error pattern is sufficiently acquired, a more accurate error correction model is generated. In addition, since the recognition result set used for learning is a subset of recognition results limited by the recognition error rate criterion, it contributes to the generation of a compact error correction model.
《理論》
実施形態の説明に先立ち、本発明の誤り訂正モデル学習の理論を説明する。本発明はパターン認識一般の誤り訂正モデル学習に適用可能であるが、説明を具体的なものとするため、音声認識を例にして説明を行う。まず、素性および素性ベクトルについて説明する。その後、リスコアリングによる誤り訂正と誤り訂正モデルのパラメータ学習方法について概説した後、本発明の要項を説明する。
"theory"
Prior to the description of the embodiment, the theory of error correction model learning of the present invention will be described. The present invention can be applied to general error correction model learning of pattern recognition. However, in order to make the description concrete, the description will be made with speech recognition as an example. First, features and feature vectors will be described. After that, an outline of error correction by rescoring and a parameter learning method of an error correction model will be described, and then the essential points of the present invention will be described.
[素性]
パターン認識の認識結果にスコアを与える場合、各認識結果が如何なる特徴を有しているかを表現する必要がある。この特徴を表す指標が特徴量である。この特徴量としては、任意に種々のものを選択できる。特徴量は、一般にベクトルで表現されるが、1次元ベクトルという意味でスカラーも包含する。
[Feature]
When a score is given to the recognition result of pattern recognition, it is necessary to express what characteristics each recognition result has. An index representing this feature is a feature amount. Various features can be arbitrarily selected as the feature amount. The feature amount is generally expressed as a vector, but includes a scalar in the sense of a one-dimensional vector.
例えば音声認識において、認識結果である単語列にスコアを与える場合、各単語列が如何なる特徴を有しているかを表現する必要がある。即ち、単語列の特徴量を規定する必要がある。これを実現するため「素性」という概念を導入する。素性は、一般的には、属性および属性値をまとめたものとして理解される。そして、属性値をベクトル化したものを素性ベクトルと呼び、これが特徴量となる。 For example, in speech recognition, when a score is given to a word string that is a recognition result, it is necessary to express what characteristics each word string has. That is, it is necessary to define the feature amount of the word string. In order to realize this, the concept of “feature” is introduced. A feature is generally understood as a collection of attributes and attribute values. The vector of attribute values is called a feature vector, and this is a feature quantity.
素性の規定の仕方、つまり属性と属性値の与え方は設計者に裁量がある。ここでは説明の便宜から、一例として単語N-gramとその頻度を利用した素性について言及する。 Designers have discretion in how to define the features, that is, how to give attributes and attribute values. Here, for convenience of explanation, the word N-gram and the feature using the frequency are mentioned as an example.
単語N-gramとは単語N個並びのことである。今、単語列
私 は 朝 必ず 牛乳 を 飲む
が与えられた場合、朝という文字のある位置3番目における1-gramは‘朝’、2-gramは‘は+朝’、3-gramは‘私+は+朝’となる。ここでは、これらのそれぞれが属性である。単語列内に各単語N-gramが観測される個数を頻度とすると、上記3属性に対応する頻度はいずれも1であり、これらが各属性に対応する属性値である。一方、2-gram ‘私+朝’といった単語列に存在しない属性の属性値は0となる。
A word N-gram is a sequence of N words. Now, if I'm always drinking milk in the word sequence, the 1st-gram in the third position with the word morning is 'morning', 2-gram is 'morning +', and 3-gram is 'me' + Becomes + morning. Here, each of these is an attribute. If the frequency at which each word N-gram is observed in the word string is defined as the frequency, the frequency corresponding to the above three attributes is 1 and these are attribute values corresponding to the respective attributes. On the other hand, the attribute value of the attribute that does not exist in the word string such as 2-gram “I + morning” is 0.
上記のように単語N-gramとその頻度を素性に利用した場合、素性ベクトルは各単語N-gramに対応する頻度の配列に相当する。単語1-gramのみを利用する場合、素性ベクトルの長さは前提としている語彙のサイズと考えてよい。例えば、語彙サイズとして最大1万語を前提としている場合、上記の単語列から得られる素性ベクトルは、‘私’‘は’‘朝’‘必ず’‘牛乳’‘を’‘飲む’の各単語1-gramに対応する7箇所のみ成分が1で、その他の9993箇所の成分は0である。 As described above, when the word N-gram and its frequency are used for the feature, the feature vector corresponds to an array of frequencies corresponding to each word N-gram. When only the word 1-gram is used, the length of the feature vector can be considered as the size of the presupposed vocabulary. For example, assuming a maximum vocabulary size of 10,000 words, the feature vector obtained from the above word sequence is the word “I” is “morning” and “milk” is “drink”. The component is only 1 at 7 locations corresponding to 1-gram, and the components at other 9993 locations are 0.
単語N-gramのNは単語の連結数であるので、その素性ベクトルの長さは語彙サイズのN乗のオーダーとなる。しかし、実際は学習データから獲得した素性分の領域で十分なためベクトル長は抑えられ、一般的な計算機のメモリ装置上に格納可能なサイズに収まる。 Since N of the word N-gram is the number of connected words, the length of the feature vector is on the order of the vocabulary size to the Nth power. However, since the region for the feature acquired from the learning data is actually sufficient, the vector length is suppressed and the size can be stored in a memory device of a general computer.
[リスコアリングによる誤り訂正]
k番目の入力データに対するパターン認識処理によって出力された認識結果の集合をHypsk とし、そのn番目の認識結果をwk,n と表記する。認識結果wk,n の認識スコアをPk,n 、認識スコアPk,n に依存する指標(スコア指標)をΦ(Pk,n )とするとき、認識結果wk,n の特徴量φ(wk,n )、特徴量φ(wk,n )への重みα、スコア指標Φ(Pk,n )、およびスコア指標Φ(Pk,n )への重みλを用いて式(1)によって誤り訂正が実現される。関数fは、スコア指標Φ(Pk,n )と重みλを入力とし、スコア指標Φ(Pk,n )が所定の演算により重み付けされた演算結果を返す関数であり、関数gは、特徴量φ(wk,n )と重みαを入力とし、特徴量φ(wk,n )が所定の演算により重み付けされた演算結果を返す関数である。スコア指標Φ(Pk,n )およびスコア指標重みλはそれぞれ、一般にベクトルで表現されるが、1次元ベクトルという意味でスカラーも包含する。関数fおよび関数gは出力としてスカラー値を返すように設定されるのが通常である。式(1)において、f(Φ(Pk,n ),λ)は認識スコアに依存し、g(φ(wk,n ),α)は認識スコアに非依存である。
A set of recognition results output by the pattern recognition processing for the kth input data is denoted as Hyps k , and the nth recognition result is denoted as w k, n . Recognition result w k, the recognition score of the n P k, n, recognition score P k, an index that depends on n (the score indicator) [Phi (P k, n) to the time, the recognition result w k, the feature amount of n φ (w k, n), the feature quantity φ (w k, n) weight alpha, score indicator Φ (P k, n) to, and score index Φ (P k, n) using the weight λ to formula Error correction is realized by (1). The function f is a function that receives the score index Φ (P k, n ) and the weight λ, and returns a calculation result in which the score index Φ (P k, n ) is weighted by a predetermined calculation, and the function g is a feature This is a function that receives an amount φ (w k, n ) and a weight α and returns an operation result in which the feature amount φ (w k, n ) is weighted by a predetermined operation. Each of the score index Φ (P k, n ) and the score index weight λ is generally expressed as a vector, but also includes a scalar in the sense of a one-dimensional vector. The functions f and g are normally set to return a scalar value as output. In equation (1), f (Φ (P k, n ), λ) depends on the recognition score, and g (φ (w k, n ), α) is independent of the recognition score.
例えば音声認識の場合では、k番目の発話データに対する音声認識の仮説集合をHypsk とし、そのn番目の仮説をwk,n とする。仮説とは、音声認識の出力する単語列と考えてよい。仮説wk,n のスコア指標Φ(Pk,n )をlogPk,n とするとき、仮説wk,n の素性ベクトルφ(wk,n )とその重みベクトルα、およびスコア指標Φ(Pk,n )logPk,nへの重みλを用いて式(2)によって誤り訂正が実現される。記号・は内積を表す。
仮説集合Hypsk は、音声認識処理によって出力されたN-best仮説リストとすればよい(単語ラティスといわれる単語列をネットワーク表現したものを用いる場合については非特許文献1参照)。ここでN-bestは、スコア順で上位N個の認識結果である。ここでのNは単語N-gramのNと全く関係がない。
αは学習により推定された誤り訂正モデルのパラメータであり、次にこの学習方法について説明する。
The hypothesis set Hyps k may be an N-best hypothesis list output by speech recognition processing (see
α is a parameter of the error correction model estimated by learning. Next, this learning method will be described.
[誤り訂正モデルのパラメータの学習]
学習にはパーセプトロンアルゴリズムや、条件付確率場,Minimum Sample Riskといった識別学習の技術を利用する場合が多い。いずれも正解から得られる特徴量に高いスコアを与え、それ以外に低いスコアを与える方針をとる。音声認識の例では、正解単語列から得られる素性に高いスコアを与え、それ以外に低いスコアを与える方針をとる。
[Learning parameters of error correction model]
For learning, discriminative learning techniques such as perceptron algorithm, conditional random field, and Minimum Sample Risk are often used. In either case, the policy is to give a high score to the feature value obtained from the correct answer and give a low score to the other. In the example of speech recognition, a policy is adopted in which a high score is given to a feature obtained from a correct word string, and a low score is given otherwise.
ここでは、αの学習方法の一例としてパーセプトロンアルゴリズムについて説明する(非特許文献1参照)。学習に先立ち、αはゼロベクトルに初期化される。λは任意の定数に設定され、一般には正の値が与えられる。そしてk=1番目のデータに対して式(2)を適用し、仮説w* k を決定する。学習の最初はαがゼロベクトルであるため、この仮説は音声認識スコアのみで決まる。次にこの仮説を対立仮説として式(3)により、パラメータ更新を行う。式(3)は、α+φ(wk ref)−φ(w* k)を新たなαとすることを意味する。wk refは正解単語列であるが、ここでは単語誤り率の最も低い仮説(オラクル)で代用するのがよい。真の正解よりオラクル仮説を用いた方が高精度なモデルになることが知られている(非特許文献1参照)。以上の処理式(2,3)を全学習データに対し再帰的に適用することでパラメータαの学習が行われる。
[誤り訂正モデルの適用]
学習によって得られた誤り訂正モデルを適用する場合、音声認識処理によって出力された認識結果の集合に対して、式(1)を適用して誤り訂正を行う。音声認識の例では、音声認識処理によって出力されたN-best仮説リストに対して、式(2)を適用すればよい。このときのαは、学習で得られたものを用いる。また、λは、学習時と同値に設定される。なお、λはαと同様の手順で学習することも可能である。この場合は、学習で得られたλを用いる。
[Application of error correction model]
When the error correction model obtained by learning is applied, error correction is performed by applying Equation (1) to the set of recognition results output by the speech recognition processing. In the example of speech recognition, equation (2) may be applied to the N-best hypothesis list output by speech recognition processing. At this time, α obtained by learning is used. Also, λ is set to the same value as at the time of learning. Note that λ can be learned by the same procedure as α. In this case, λ obtained by learning is used.
[本発明について]
正解とそれに近い認識結果との識別は、学習データに対するオーバーフィッティングの要因となる上、誤りのパターンの効率的な獲得を阻害する。しかし、通常の手順で学習を行うと、こうした認識結果の識別が学習の大半を占める傾向が強い。
そこで本発明では、誤りの多い認識結果との識別を支配的に行うため、以下の二つの処理を行う。
[About the present invention]
Discrimination between a correct answer and a recognition result close to it becomes a factor of overfitting with respect to learning data, and inhibits efficient acquisition of an error pattern. However, when learning is performed according to normal procedures, identification of such recognition results tends to occupy most of the learning.
Therefore, in the present invention, the following two processes are performed in order to dominantly identify the recognition result with many errors.
一つ目の処理は、認識結果の集合Hypsk に関する事項である。通常、パターン認識処理で得られた認識結果の集合Hypskに含まれる認識結果の全部を用いて学習が行われるが、本発明では認識誤り率基準で制限された部分集合を使用して学習する。具体的には、認識誤り率の高い認識結果からなる部分集合〔正解を除く部分集合の要素は一つでもよい。〕を式(1)におけるHypsk として学習する。この処理は小さな誤り訂正モデルの生成という側面も有する。ただし、学習の収束のため、このHypsk は正解も要素に持つものとする。認識誤り率基準として、具体的には、特徴量誤り率や認識スコアなどを用いることができる。特徴量誤り率を用いるならば、特徴量誤り率の高い認識結果からなる部分集合を選定する。また、一般的に認識スコアの低い認識結果は特徴量誤り率が高いと考えられるので、認識スコアを用いるならば、認識スコアの低い認識結果からなる部分集合を選定する。特徴量誤り率や認識スコアに限らず、類似の基準を用いてもよい。
音声認識の例では、通常、N-best仮説リストに含まれる全仮説を用いて学習するが、単語誤り率(あるいは音声認識スコア)基準で制限された仮説集合(N-best仮説リストの部分集合)を使用する。つまり単語誤り率の高い仮説のみを学習で使用する。ただし使用上、学習の収束のためHypsk は正解単語列も要素に持つものとする。
The first process relates to the recognition result set Hyps k . Usually, learning is performed using all of the recognition results included in the recognition result set Hyps k obtained by the pattern recognition processing, but in the present invention, learning is performed using a subset limited by the recognition error rate criterion. . Specifically, a subset composed of recognition results having a high recognition error rate [the number of elements of the subset excluding correct answers may be one. ] As Hyps k in the equation (1). This process also has the aspect of generating a small error correction model. However, for the convergence of learning, this Hyps k has the correct answer as an element. Specifically, a feature amount error rate, a recognition score, or the like can be used as the recognition error rate criterion. If the feature amount error rate is used, a subset consisting of recognition results having a high feature amount error rate is selected. In general, a recognition result with a low recognition score is considered to have a high feature amount error rate. Therefore, if a recognition score is used, a subset consisting of recognition results with a low recognition score is selected. Similar criteria may be used in addition to the feature amount error rate and the recognition score.
In an example of speech recognition, learning is normally performed using all hypotheses included in the N-best hypothesis list, but a hypothesis set limited by a word error rate (or speech recognition score) criterion (a subset of the N-best hypothesis list) ). In other words, only hypotheses with a high word error rate are used in learning. However, for use, Hyps k has a correct word string as an element for convergence of learning.
二つ目の処理は、各認識結果に応じて得られる、スコア指標Φ(Pk,n )がスコア指標重みλによって重み付けされた演算結果f(Φ(Pk,n ),λ)と、特徴量φ(wk,n )が特徴量重みαによって重み付けされた演算結果g(φ(wk,n ),α)との和について、これらの間の大小関係を、演算結果g(φ(wk,n ),α)が支配的に決定するように、スコア指標重みλを設定することである。 The second process includes an operation result f (Φ (P k, n ), λ) obtained by weighting the score index Φ (P k, n ) by the score index weight λ obtained according to each recognition result, For the sum of the calculation result g (φ (w k, n ), α) in which the feature quantity φ (w k, n ) is weighted by the feature quantity weight α, the magnitude relationship between these is calculated as the calculation result g (φ The score index weight λ is set so that (w k, n ), α) is dominantly determined.
部分集合に含まれる各認識結果wk,nについて得られるf(Φ(Pk,n ),λ)+g(φ(wk,n ),α)の大小関係は、演算結果f(Φ(Pk,n ),λ)の分散が演算結果g(φ(wk,n ),α)の分散よりも十分に小さい場合を除き、演算結果f(Φ(Pk,n ),λ)に依存する。
このような場合、各認識結果に対するf(Φ(Pk,n ),λ)+g(φ(wk,n ),α)の大小関係が演算結果f(Φ(Pk,n ),λ)に対してほぼ非依存になるようにλを設定する。これは前記大小関係に対する演算結果f(Φ(Pk,n ),λ)の寄与度を低減させることを意味し、演算結果g(φ(wk,n ),α)との相関で定まる設計事項である。
The magnitude relationship of f (Φ (P k, n ), λ) + g (φ (w k, n ), α) obtained for each recognition result w k, n included in the subset is the operation result f (Φ ( P k, n), λ) dispersion calculation result of g (φ (w k, n ), unless sufficiently than the dispersion of the alpha) smaller, the operation result f (Φ (P k, n ), λ) Depends on.
In such a case, the magnitude relationship of f (Φ (P k, n ), λ) + g (φ (w k, n ), α) for each recognition result is the calculation result f (Φ (P k, n ), λ ) Is set so as to be almost independent of). This means that the degree of contribution of the calculation result f (Φ (P k, n ), λ) to the magnitude relationship is reduced, and is determined by the correlation with the calculation result g (φ (w k, n ), α). It is a design matter.
例えば前記大小関係を式(2)で与える場合、スコア指標重みλ(ここではスカラーとすする)はゼロまたはそれに近い正値を採用すればよい。λの値がゼロの場合、認識スコアの影響が除外される。一般的に、正解(オラクル)と他の認識誤り率の高い認識結果とでは認識スコアに偏りがある。つまり、全体的には認識スコアは前者が高く、後者が低い。そのため、一つ目の処理の適用時、認識スコアのみで大部分識別が達成され、学習が即座に収束し十分な誤りパターンの獲得が達成されない場合もある。二つ目の処理は一つ目の処理による不十分な学習を防止する。また、二つ目の処理は、それ単体でも誤りの多い認識結果との識別を促進する効果がある。 For example, when the magnitude relationship is given by Equation (2), the score index weight λ (here, a scalar) may be zero or a positive value close thereto. When the value of λ is zero, the influence of the recognition score is excluded. Generally, there is a bias in recognition scores between correct answers (Oracle) and other recognition results with a high recognition error rate. That is, the overall recognition score is high for the former and low for the latter. For this reason, when the first process is applied, discrimination is mostly achieved only by the recognition score, and learning may converge immediately and acquisition of a sufficient error pattern may not be achieved. The second process prevents insufficient learning from the first process. Further, the second process has an effect of promoting discrimination from a recognition result with many errors even by itself.
二つ目の処理の代替手段として、式(1)における演算結果f(Φ(Pk,n ),λ)が認識スコアPk,n と逆相関を持つように、スコア指標重みλを設定することもできる。これは一般に認識スコアPk,n が認識誤り率と負の相関を持つという性質を利用し、誤りの多い認識結果との識別を支配的に行うという目的を達成するものである。 As an alternative to the second process, the score index weight λ is set so that the calculation result f (Φ (P k, n ), λ) in equation (1) has an inverse correlation with the recognition score P k, n You can also This achieves the purpose of dominantly discriminating the recognition result having many errors by utilizing the property that the recognition score P k, n generally has a negative correlation with the recognition error rate.
例えば、式(2)ではλ(ここではスカラーとする)を負値に設定するとよい。認識誤り率と負の相関を持つ認識スコアPk,n に逆相関を与えるので、結果としてλlogPk,n は認識誤り率と正の相関を持つ。このため、認識誤り率の高い認識結果を重視したパラメータ推定が可能となる。 For example, in Equation (2), λ (here, a scalar) may be set to a negative value. Since the inverse correlation is given to the recognition score P k, n having a negative correlation with the recognition error rate , λ log P k, n has a positive correlation with the recognition error rate as a result. For this reason, it is possible to perform parameter estimation with an emphasis on recognition results with a high recognition error rate.
なお、二つ目の処理の両手段は、いずれも一つ目の処理を適用しない場合でも一定の効果が期待できる。すなわち誤りの多い認識結果との識別を支配的に行うという目的をある程度達成可能である。また、一般にλはαと同様、学習可能であり、これを実施したい場合は、λの初期値を上述のように設定し、極めて微細にλの更新を行うことで、二つ目の処理が実現される。 Note that both means of the second process can be expected to have a certain effect even when the first process is not applied. In other words, it is possible to achieve to some extent the purpose of dominantly distinguishing from recognition results with many errors. In general, λ can be learned in the same way as α. If this is desired, the initial value of λ is set as described above, and the second process is performed by updating λ very finely. Realized.
本発明は、誤り訂正モデル学習時に適用されるものであり、学習済みの誤り訂正モデルの適用時(解析時)は通常とおりの処理を行えばよい。つまりHypsk には認識結果の集合に含まれる認識結果の全部を用いる。λは正の値に設定し、式(1)に基づき誤り訂正の処理を実行する。音声認識の例では、Hypsk にはN-best仮説リストの全仮説を用いる。λは正の値に設定し、式(2)に基づき誤り訂正の処理を実行する。 The present invention is applied at the time of learning an error correction model, and when applying a learned error correction model (at the time of analysis), a normal process may be performed. In other words, all recognition results included in the recognition result set are used for Hyps k . λ is set to a positive value, and error correction processing is executed based on Equation (1). In the speech recognition example, all hypotheses in the N-best hypothesis list are used for Hyps k . λ is set to a positive value, and error correction processing is executed based on Equation (2).
このように、本発明では学習時におけるλとして、解析時に用いる値とは異なる値を設定するということに留意しなければならない。この点においても、従来の技法との差分が存在し本発明の特徴と位置づけることもできる。ただし、前述のようにαと同様、λの学習を実施した場合は、この限りでない。 Thus, in the present invention, it should be noted that a value different from the value used at the time of analysis is set as λ at the time of learning. Also in this point, there is a difference from the conventional technique and it can be positioned as a feature of the present invention. However, as described above, this is not the case when λ is learned as in α.
《実施形態》
以下、誤り訂正モデル学習装置・方法の実施形態を説明する。なお、説明を具体的にするため、パターン認識として音声認識を例に採り、学習アルゴリズムとしてパーセプトロンアルゴリズムを採用した場合について説明する。誤り訂正モデル学習装置は、例えば専用のハードウェアで構成された専用機やパーソナルコンピュータのような汎用機といったコンピュータで実現される。ここではコンピュータ(汎用機)で実現する場合として説明する。
<Embodiment>
Hereinafter, embodiments of the error correction model learning apparatus and method will be described. For the sake of specific explanation, a case where speech recognition is taken as an example of pattern recognition and a perceptron algorithm is adopted as a learning algorithm will be described. The error correction model learning apparatus is realized by a computer such as a dedicated machine configured by dedicated hardware or a general-purpose machine such as a personal computer. Here, a description will be given of a case where it is realized by a computer (general-purpose machine).
誤り訂正モデル学習装置のハードウェア構成例を説明する。
誤り訂正モデル学習装置は、キーボード、ポインティングデバイスなどが接続可能な入力部と、液晶ディスプレイ、CRT(Cathode Ray Tube)ディスプレイなどが接続可能な出力部と、誤り訂正モデル学習装置外部に通信可能な通信装置(例えば通信ケーブル、LANカード、ルータ、モデムなど)が接続可能な通信部と、CPU(Central Processing Unit)〔DSP(Digital Signal Processor)でも良い。またキャッシュメモリやレジスタなどを備えていてもよい。〕と、メモリであるRAM、ROMや、ハードディスク、光ディスク、半導体メモリなどである外部記憶装置並びにこれらの入力部、出力部、通信部、CPU、RAM、ROM、外部記憶装置間のデータのやり取りが可能なように接続するバスを有している。また必要に応じて、誤り訂正モデル学習装置に、フレキシブルディスク、CD−ROM(Compact Disc Read Only Memory)、DVD(Digital Versatile Disc)などの記憶媒体を読み書きできる装置(ドライブ)などを設けるとしてもよい。
A hardware configuration example of the error correction model learning device will be described.
The error correction model learning device includes an input unit to which a keyboard and a pointing device can be connected, an output unit to which a liquid crystal display, a CRT (Cathode Ray Tube) display, and the like can be connected, and communication capable of communicating outside the error correction model learning device. A communication unit to which devices (for example, a communication cable, a LAN card, a router, a modem, etc.) can be connected and a CPU (Central Processing Unit) [DSP (Digital Signal Processor) may be used. A cache memory, a register, or the like may be provided. ], RAM, ROM, which is a memory, an external storage device such as a hard disk, an optical disk, a semiconductor memory, etc., and the exchange of data between these input unit, output unit, communication unit, CPU, RAM, ROM, external storage device It has a bus that connects as possible. If necessary, the error correction model learning device may be provided with a device (drive) that can read and write storage media such as a flexible disk, a CD-ROM (Compact Disc Read Only Memory), and a DVD (Digital Versatile Disc). .
誤り訂正モデル学習装置の外部記憶装置には、誤り訂正モデル学習のためのプログラムおよびこのプログラムの処理において必要となるデータなどが記憶されている〔外部記憶装置に限らず、例えばプログラムを読み出し専用記憶装置であるROMに記憶させておくなどでもよい。〕。また、このプログラムの処理によって得られるデータなどは、RAMや外部記憶装置などに適宜に記憶される。以下、データやその格納領域のアドレスなどを記憶する記憶装置を単に「記憶部」と呼ぶことにする。 The external storage device of the error correction model learning device stores a program for learning an error correction model and data necessary for processing of the program [not limited to the external storage device, for example, a program is read-only stored. You may memorize | store in the ROM which is an apparatus. ]. Further, data obtained by the processing of this program is appropriately stored in a RAM, an external storage device, or the like. Hereinafter, a storage device that stores data, addresses of storage areas, and the like is simply referred to as a “storage unit”.
この実施形態では、予め記憶部(10)に、K個の発話データ(学習データ)に対する音声認識処理によって出力された仮説集合Hypsk を記憶しておく。但し、1≦k≦Kとする。仮説集合Hypsk に含まれる複数の仮説には音声認識スコアと単語誤り率が対応付けられている。単語誤り率は、真の正解単語列と仮説とを比較して求められたものである。また、必要に応じて真の正解単語列を予め記憶部(10)に記憶しておく。 In this embodiment, the hypothesis set Hyps k output by the speech recognition process for K speech data (learning data) is stored in advance in the storage unit (10). However, 1 ≦ k ≦ K. A plurality of hypotheses included in the hypothesis set Hyps k are associated with a speech recognition score and a word error rate. The word error rate is obtained by comparing a true correct word string with a hypothesis. Further, the true correct word string is stored in advance in the storage unit (10) as necessary.
誤り訂正モデル学習装置の外部記憶装置〔あるいはROMなど〕には、学習に用いるパラメータを設定するためのプログラム、仮説集合Hypsk から学習に用いる仮説を選択するためのプログラム、誤り訂正のためのプログラム、パラメータを更新するためのプログラム、その他、各プログラムに基づく処理によって必要となる制御を行うためのプログラムが記憶されている。 The external storage device (or ROM, etc.) of the error correction model learning device has a program for setting parameters used for learning, a program for selecting hypotheses used for learning from the hypothesis set Hyps k, and a program for error correction In addition, a program for updating parameters and a program for performing control required by processing based on each program are stored.
誤り訂正モデル学習装置では、上記各プログラムとこの各プログラムの処理に必要なデータが必要に応じてRAMに読み込まれて、CPUで解釈実行・処理される。その結果、CPUが所定の機能(パラメータ設定部、選択部、誤り訂正部、パラメータ更新部、制御部)を実現することで、誤り訂正モデル学習が実現される。 In the error correction model learning apparatus, each program and data necessary for processing each program are read into the RAM as necessary, and are interpreted and executed by the CPU. As a result, the CPU implements predetermined functions (parameter setting unit, selection unit, error correction unit, parameter update unit, control unit), thereby realizing error correction model learning.
次に、図1および図2を参照して、上記誤り訂正モデル学習装置による誤り訂正モデル学習の処理の流れを叙述的に説明する。 Next, with reference to FIG. 1 and FIG. 2, the flow of error correction model learning processing by the error correction model learning apparatus will be described descriptively.
まず、パラメータ設定部(11)が、パラメータの初期値を設定する(ステップS101)。つまり、音声認識スコアに対する重みλを、上述した小さな値に設定し、素性ベクトルに対する重みαをゼロベクトルに設定する。また記憶部(10)から真の正解あるいはオラクル単語列を読み込み、wk refを真の正解あるいはオラクル単語列のいずれかに設定する。設定されたパラメータは、誤り訂正部(13)およびパラメータ更新部(14)の入力となる。 First, the parameter setting unit (11) sets initial values of parameters (step S101). That is, the weight λ for the speech recognition score is set to the small value described above, and the weight α for the feature vector is set to a zero vector. Further, the true correct answer or the oracle word string is read from the storage unit (10), and w k ref is set to either the true correct answer or the oracle word string. The set parameters are input to the error correction unit (13) and the parameter update unit (14).
次に、制御部(19)は、t=k=1に設定する(ステップS102)。Tをパラメータ更新の回数の上限値とすると、1≦t≦Tである。Tは任意の値に設定されている。 Next, the control unit (19) sets t = k = 1 (step S102). When T is an upper limit value of the number of parameter updates, 1 ≦ t ≦ T. T is set to an arbitrary value.
続いて、選択部(12)は、設定されたkに従い、記憶部(10)から仮説集合Hypsk を読み込み、単語誤り率基準で学習に用いる部分集合を選択する(ステップS103)。選択された部分集合は、選択された仮説とその音声認識スコアのペアを複数含む。既述したとおり、単語誤り率の高い仮説からなる部分集合を選択するが、その具体例として、仮説集合Hypsk に含まれる全仮説を単語誤り率が最小のものが第1位、単語誤り率が最大のものが最下位となるように並び替え、第M位から最下位までの仮説を選ぶようにすることができる。あるいは、下位L個の仮説を選択するようにしてもよい。このとき最下位のものを含めることは必須ではない。あるいは、全仮説の単語誤り率の平均値以下(未満)の単語誤り率を持つ仮説を選択するとしてもよい。単語誤り率の高い仮説からなる部分集合を選択する基準に限定はない。選択された部分集合は、誤り訂正部(13)の入力となる。 Subsequently, the selection unit (12) reads the hypothesis set Hyps k from the storage unit (10) according to the set k , and selects a subset to be used for learning on the basis of the word error rate (step S103). The selected subset includes a plurality of selected hypotheses and their speech recognition score pairs. As described above, a subset consisting of hypotheses with a high word error rate is selected. As a specific example, all hypotheses included in the hypothesis set Hyps k have the lowest word error rate, and the word error rate is the highest. Can be rearranged so that the largest is the lowest, and hypotheses from the Mth to the lowest can be selected. Alternatively, the lower L hypotheses may be selected. In this case, it is not essential to include the lowest one. Alternatively, a hypothesis having a word error rate that is less than (less than) the average value of the word errors of all hypotheses may be selected. There is no limitation on the criteria for selecting a subset of hypotheses with a high word error rate. The selected subset is input to the error correction unit (13).
次いで、誤り訂正部(13)が、式(2)に従ってw* kを算出する(ステップS104)。但し、式(2)におけるHypsk は、ステップS104の処理で得られた部分集合である。算出されたw* kはパラメータ更新部(14)の入力となる。 Next, the error correction unit (13) calculates w * k according to equation (2) (step S104). However, Hyps k in Equation (2) is a subset obtained by the processing in step S104. The calculated w * k is input to the parameter update unit (14).
続いて、パラメータ更新部(14)が、式(3)に従ってαを算出する(ステップS105)。
制御部(19)は、kに1を加算したものを新たなkの値とし(ステップS106)、
k=Kであるか否かを判定する(ステップS107)。制御部(19)は、もしk≠Kならば、ステップS105の処理で得られたαを誤り訂正部(13)の入力として、ステップS103以降の処理を行うように制御する。
Subsequently, the parameter update unit (14) calculates α according to the equation (3) (step S105).
The control unit (19) sets k to 1 as a new value of k (step S106),
It is determined whether or not k = K (step S107). If k ≠ K, the control unit (19) performs control so that the processing after step S103 is performed using α obtained by the processing of step S105 as an input to the error correction unit (13).
制御部(19)は、もしk=Kならば、tに1を加算したものを新たなtの値とし(ステップS108)、t=Tであるか否かを判定する(ステップS109)。制御部(19)は、もしt≠Tならば、ステップS105の処理で得られたαを誤り訂正部(13)の入力として、ステップS103以降の処理を行うように制御する。制御部(19)は、もしt=Tならば、ステップS105の処理で得られたαを学習によって得られたパラメータとして記憶部(10)に記憶する制御を行って、学習処理が終了する。 If k = K, the control unit (19) sets t to 1 as a new value of t (step S108), and determines whether t = T (step S109). If t ≠ T, the control unit (19) performs control so that the processing after step S103 is performed by using α obtained by the processing of step S105 as an input to the error correction unit (13). If t = T, the control unit (19) performs control to store α obtained in the process of step S105 in the storage unit (10) as a parameter obtained by learning, and the learning process ends.
なお、解析に利用する際には平均化パラメータαave =Σt,kαk t/KTを用いることで、高精度な誤り訂正モデルが生成可能であることが経験的に知られている(参考文献参照)。ただし、αk tは、k番目のデータのt回目のループにおける処理により得られたαの値である。
(参考文献)Michael Collins.“Discriminative Training Methods for Hidden Markov Models: Theory and Experiments with Perceptron Algorithms,”Proceedings of the Conference on Empirical Methods for Natural Language Processing, pp.1-8, 2002.
It is empirically known that a high-accuracy error correction model can be generated by using the averaging parameter α ave = Σ t, k α k t / KT when used for analysis ( See references). Here, α k t is a value of α obtained by processing in the t-th loop of the k-th data.
(Reference) Michael Collins. “Discriminative Training Methods for Hidden Markov Models: Theory and Experiments with Perceptron Algorithms,” Proceedings of the Conference on Empirical Methods for Natural Language Processing, pp.1-8, 2002.
この実施形態は、予め記憶部(10)に、K個の発話データ(学習データ)に対する音声認識処理によって出力された仮説集合Hypsk を記憶しておき、選択部(12)が部分集合を決定するものであった。しかし、この部分集合を予め記憶部(10)に記憶しておく構成であれば、選択部(12)は必須の構成要素ではない。また、予めパラメータの初期値を決めて記憶部(10)に記憶している構成であれば、パラメータ設定部(11)も必須の構成要素ではない。 In this embodiment, a hypothesis set Hyps k output by speech recognition processing for K utterance data (learning data) is stored in advance in the storage unit (10), and the selection unit (12) determines a subset. It was something to do. However, if the subset is stored in advance in the storage unit (10), the selection unit (12) is not an essential component. Further, the parameter setting unit (11) is not an essential component as long as the initial value of the parameter is determined and stored in the storage unit (10).
以上の各実施形態の他、本発明である誤り訂正モデル学習装置・方法は上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。また、上記誤り訂正モデル学習装置・方法において説明した処理は、記載の順に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されるとしてもよい。 In addition to the above embodiments, the error correction model learning apparatus and method according to the present invention are not limited to the above-described embodiments, and can be appropriately changed without departing from the spirit of the present invention. In addition, the processing described in the error correction model learning apparatus / method is not only executed in time series according to the order described, but also executed in parallel or individually as required by the processing capability of the apparatus that executes the processing. It may be done.
また、上記誤り訂正モデル学習装置における処理機能をコンピュータによって実現する場合、誤り訂正モデル学習装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記誤り訂正モデル学習装置における処理機能がコンピュータ上で実現される。 When the processing functions in the error correction model learning device are realized by a computer, the processing contents of the functions that the error correction model learning device should have are described by a program. By executing this program on a computer, the processing function in the error correction model learning apparatus is realized on the computer.
この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、DVD(Digital Versatile Disc)、DVD−RAM(Random Access Memory)、CD−ROM(Compact Disc Read Only Memory)、CD−R(Recordable)/RW(ReWritable)等を、光磁気記録媒体として、MO(Magneto-Optical disc)等を、半導体メモリとしてEEP−ROM(Electronically Erasable and Programmable-Read Only Memory)等を用いることができる。 The program describing the processing contents can be recorded on a computer-readable recording medium. As the computer-readable recording medium, for example, any recording medium such as a magnetic recording device, an optical disk, a magneto-optical recording medium, and a semiconductor memory may be used. Specifically, for example, as a magnetic recording device, a hard disk device, a flexible disk, a magnetic tape or the like, and as an optical disk, a DVD (Digital Versatile Disc), a DVD-RAM (Random Access Memory), a CD-ROM (Compact Disc Read Only). Memory), CD-R (Recordable) / RW (ReWritable), etc., magneto-optical recording medium, MO (Magneto-Optical disc), etc., semiconductor memory, EEP-ROM (Electronically Erasable and Programmable-Read Only Memory), etc. Can be used.
また、このプログラムの流通は、例えば、そのプログラムを記録したDVD、CD−ROM等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。 The program is distributed by selling, transferring, or lending a portable recording medium such as a DVD or CD-ROM in which the program is recorded. Furthermore, the program may be distributed by storing the program in a storage device of the server computer and transferring the program from the server computer to another computer via a network.
このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。そして、処理の実行時、このコンピュータは、自己の記録媒体に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるASP(Application Service Provider)型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの(コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等)を含むものとする。 A computer that executes such a program first stores, for example, a program recorded on a portable recording medium or a program transferred from a server computer in its storage device. When executing the process, the computer reads a program stored in its own recording medium and executes a process according to the read program. As another execution form of the program, the computer may directly read the program from a portable recording medium and execute processing according to the program, and the program is transferred from the server computer to the computer. Each time, the processing according to the received program may be executed sequentially. Also, the program is not transferred from the server computer to the computer, and the above-described processing is executed by a so-called ASP (Application Service Provider) type service that realizes the processing function only by the execution instruction and result acquisition. It is good. Note that the program in this embodiment includes information that is used for processing by an electronic computer and that conforms to the program (data that is not a direct command to the computer but has a property that defines the processing of the computer).
また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、誤り訂正モデル学習装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。 In this embodiment, the error correction model learning device is configured by executing a predetermined program on the computer. However, at least a part of the processing contents may be realized by hardware. .
日本語話し言葉コーパス(CSJ)を用いて、本発明の効果を検証した。CSJには講演音声ごとに音声データと正解の単語列情報が格納されている。まず、CSJに含まれる講演データのうち2,682講演分を表1に示すように分割した。さらに、N-best仮説リストを生成する必要のあるデータセットについては、発話単位に音声データを分割した。
はじめにtrain2を用いて、音声認識で使用する言語モデルを生成し、音声認識デコーダによってtrain1の各発話に対する100-best仮説リストを生成した。次に、train1およびtrain2を用いて言語モデルの学習を行い、同様にtestの各発話に対する100-best仮説リストを生成した。また、train1の100-best仮説リストを用いて、各種条件下で誤り訂正モデルを学習し、testの100-best仮説リストに各誤り訂正モデルを適用して、単語誤り率を比較した。 First, a language model used in speech recognition was generated using train2, and a 100-best hypothesis list for each utterance of train1 was generated by a speech recognition decoder. Next, the language model was trained using train1 and train2, and a 100-best hypothesis list for each utterance of test was generated in the same manner. In addition, the error correction model was learned under various conditions using the 100-best hypothesis list of train1, and each error correction model was applied to the 100-best hypothesis list of test to compare the word error rates.
実験の詳細を記載するため、上記一つ目の処理である学習に使用する仮説の制限に関し、具体的に学習に使用した仮説を明示化する必要がある。そこで以下の表記を導入する。今、N-best仮説リスト中の仮説(単語列)を単語誤り率に基づいて昇順に並び替え、その順位を上付き文字で表現する。つまり、第1位の仮説は最も単語誤り率が低く、第N位の仮説は最も単語誤り率が高く、第i位の仮説はwk iと表記される。ここではオラクル仮説(単語誤り率第1位)を正解仮説とするため、wk 1=wk refである。次にN-best仮説リストの部分集合をHypsk(x,y)={wk i:i=1,x≦i≦y}と表記する。このとき、Hypsk(2,N)はN-best仮説リスト中の全仮説、Hypsk(N,N)は正解仮説と最も単語誤り率の高い仮説のみで構成される。 In order to describe the details of the experiment, it is necessary to clarify the hypothesis used for the learning specifically regarding the limitation of the hypothesis used for the learning which is the first processing. Therefore, the following notation is introduced. Now, hypotheses (word strings) in the N-best hypothesis list are rearranged in ascending order based on the word error rate, and the ranking is expressed by superscripts. That is, the first hypothesis has the lowest word error rate, the Nth hypothesis has the highest word error rate, and the i-th hypothesis is expressed as w k i . In this case, w k 1 = w k ref because the Oracle hypothesis (the first word error rate) is the correct hypothesis. Next, a subset of the N-best hypothesis list is expressed as Hyps k (x, y) = {w k i : i = 1, x ≦ i ≦ y}. At this time, Hyps k (2, N) is composed of all hypotheses in the N-best hypothesis list, and Hyps k (N, N) is composed only of the correct hypothesis and the hypothesis having the highest word error rate.
また、λの値が学習時と解析時で異なるため、いずれの値について言及しているのか曖昧になる可能性がある。そのためそれぞれλtrain,λtestと表記する。 Also, since the value of λ differs between learning and analysis, it may become ambiguous which value is mentioned. Therefore, they are written as λ train and λ test , respectively.
まずHypsk(x,y)においてy=100,xに異なる値を与えて誤り訂正モデルを学習した。λtrain=0の下で学習されている、これらの誤り訂正モデルをtestに対して適用した場合の単語誤り率を図3に示す。図中のbefore rerankingは誤り訂正モデル適用前の単語誤り率を示している、baselineは、100-best仮説リスト中の全仮説を用いてλtrain=λtestの下で学習された誤り訂正モデルを用いて解析した場合の結果を示している。この場合は、単語誤り率が0.2%程度の改善に留まっている。一方、λtrain=0の下で学習された誤り訂正モデルは、いずれも単語誤り率が16.5%から16.7%程度にまで性能が向上している。特に興味深い結果は、x=100、すなわち正解と最も単語誤り率の高い仮説のみを用いた学習で高精度な誤り訂正モデルを生成可能という点である。xに小さな値を設定しても、それ以上の精度改善には効果がなく、むしろλtestに対し鋭敏に反応する結果となった。 First, an error correction model was learned by giving different values to y = 100 and x in Hyps k (x, y). FIG. 3 shows word error rates when these error correction models learned under λ train = 0 are applied to test. Before reranking in the figure shows the word error rate before applying the error correction model. Baseline shows the error correction model learned under λ train = λ test using all hypotheses in the 100-best hypothesis list. It shows the result when using and analyzing. In this case, the word error rate is only improved to about 0.2%. On the other hand, the error correction models learned under λ train = 0 all have improved performance from a word error rate of 16.5% to about 16.7%. A particularly interesting result is that a highly accurate error correction model can be generated by learning using only x = 100, that is, a correct answer and a hypothesis having the highest word error rate. Setting a small value for x had no effect on further accuracy improvement, but rather responded sensitively to λ test .
次に、x=2として、yのみを変化させた場合の単語誤り率を図4に示す。但し、λtrain=0の下で学習されている。yに大きな値を設定することで高い精度改善率が得られている。この結果からも、単語誤り率の高い仮説を学習に用いるという本発明の優位性が見て取れる。 Next, FIG. 4 shows the word error rate when only y is changed with x = 2. However, learning is performed under λ train = 0. A high accuracy improvement rate is obtained by setting a large value for y. Also from this result, the superiority of the present invention that a hypothesis having a high word error rate is used for learning can be seen.
最後に、誤り訂正モデルのパラメータ数の比較を表2に記載する。パラメータ数はαの非ゼロの要素数である。λtrainに小さな値を設定することで誤りパターンを数多く獲得し高精度な誤り訂正モデルを生成できる反面、パラメータ数が大きくなる。しかし、xに大きな値を設定することで、精度の低下なくパラメータ数を抑えることが可能となる。
本発明は、音声認識、手書き文字認識、言語翻訳などのパターン認識の認識結果に適用する誤り訂正モデルの学習に有用である。 The present invention is useful for learning an error correction model applied to recognition results of pattern recognition such as speech recognition, handwritten character recognition, and language translation.
11 パラメータ設定部
12 選択部
13 誤り訂正部
14 パラメータ更新部
11 Parameter setting unit 12 Selection unit 13
Claims (10)
上記誤り訂正ステップにおいて得られる誤り訂正結果を用いて、上記特徴量重みを更新するパラメータ更新ステップと
を含む誤り訂正モデルの学習方法であって、
上記認識結果集合は、
パターン認識によって得られた複数の認識結果からなる集合に含まれる部分集合であって、認識誤り率が高いものからなる集合である
ことを特徴とする誤り訂正モデルの学習方法。 For a set of a plurality of recognition results by pattern recognition (hereinafter referred to as a recognition result set), an index (hereinafter referred to as a score index) that depends on the score of each recognition result and a weight for the score index (hereinafter referred to as a score index) An error correction step for performing error correction using a feature amount of each recognition result and a weight for the feature amount (hereinafter referred to as feature amount weight),
An error correction model learning method including a parameter update step of updating the feature weight using the error correction result obtained in the error correction step,
The recognition result set is
A learning method of an error correction model, characterized in that it is a subset that is a subset included in a set of a plurality of recognition results obtained by pattern recognition and has a high recognition error rate.
ことを特徴とする請求項1に記載の誤り訂正モデルの学習方法。 2. The error correction model learning method according to claim 1, wherein the recognition result set includes a correct answer of pattern recognition.
ことを特徴とする請求項1または請求項2に記載の誤り訂正モデルの学習方法。 About the sum of the calculation result obtained by weighting the score index by the score index weight and the calculation result by weighting the feature quantity by the feature quantity weight, obtained according to each recognition result included in the recognition result set. 3. The score index weight is set such that a magnitude relationship between the two is determined by a calculation result in which the feature amount is weighted by the feature amount weight. The error correction model learning method described in 1.
ことを特徴とする請求項1または請求項2に記載の誤り訂正モデルの学習方法。 The score index weight is set so that a calculation result obtained by weighting the score index with the score index weight has an inverse correlation with the score of the recognition result. Error correction model learning method.
上記特徴量は、単語の並びに基づき上記単語列の特徴を表す指標とし、
上記認識結果集合は、
認識結果として単語列を求めるパターン認識によって得られた複数の認識結果からなる集合に含まれる部分集合であって、単語誤り率が高いものまたはスコアが低いものからなる集合である
ことを特徴とする請求項1から請求項4のいずれかに記載の誤り訂正モデルの学習方法。 The pattern recognition is to obtain a word string as a recognition result,
The feature amount is an index representing the feature of the word string based on the sequence of words,
The recognition result set is
A subset included in a set of a plurality of recognition results obtained by pattern recognition that obtains a word string as a recognition result, and is a set that has a high word error rate or a low score The error correction model learning method according to claim 1.
上記誤り訂正手段によって得られる誤り訂正結果を用いて、上記特徴量重みを更新するパラメータ更新手段と
を含む誤り訂正モデルの学習装置であって、
上記認識結果集合は、
パターン認識によって得られた複数の認識結果からなる集合に含まれる部分集合であって、認識誤り率が高いものからなる集合である
ことを特徴とする誤り訂正モデルの学習装置。 For a set of a plurality of recognition results by pattern recognition (hereinafter referred to as a recognition result set), an index (hereinafter referred to as a score index) that depends on the score of each recognition result and a weight for the score index (hereinafter referred to as a score index) Error correction means for performing error correction using a feature amount of each recognition result and a weight for the feature amount (hereinafter referred to as feature amount weight),
An error correction model learning device including an error correction result obtained by the error correction means and a parameter update means for updating the feature amount weight,
The recognition result set is
A learning apparatus for an error correction model, wherein the learning apparatus is a subset that is a subset that is included in a set of a plurality of recognition results obtained by pattern recognition and that has a high recognition error rate.
ことを特徴とする請求項6に記載の誤り訂正モデルの学習装置。 About the sum of the calculation result obtained by weighting the score index by the score index weight and the calculation result by weighting the feature quantity by the feature quantity weight, obtained according to each recognition result included in the recognition result set. 7. The error according to claim 6, wherein the score index weight is set so that a magnitude relationship between the two is determined by a calculation result in which the feature value is weighted by the feature value weight. Correction model learning device.
ことを特徴とする請求項6に記載の誤り訂正モデルの学習装置。 7. The error correction model according to claim 6, wherein the score index weight is set so that a calculation result obtained by weighting the score index with the score index weight has an inverse correlation with the score of the recognition result. Learning device.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007213992A JP4981579B2 (en) | 2007-08-20 | 2007-08-20 | Error correction model learning method, apparatus, program, and recording medium recording the program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007213992A JP4981579B2 (en) | 2007-08-20 | 2007-08-20 | Error correction model learning method, apparatus, program, and recording medium recording the program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009047929A true JP2009047929A (en) | 2009-03-05 |
JP4981579B2 JP4981579B2 (en) | 2012-07-25 |
Family
ID=40500205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007213992A Expired - Fee Related JP4981579B2 (en) | 2007-08-20 | 2007-08-20 | Error correction model learning method, apparatus, program, and recording medium recording the program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4981579B2 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011039965A (en) * | 2009-08-18 | 2011-02-24 | Nippon Telegr & Teleph Corp <Ntt> | Model parameter estimation device, method, and program |
JP2014077865A (en) * | 2012-10-10 | 2014-05-01 | Nippon Hoso Kyokai <Nhk> | Speech recognition device, error correction model learning method and program |
CN110764647A (en) * | 2019-10-21 | 2020-02-07 | 科大讯飞股份有限公司 | Input error correction method, input error correction device, electronic equipment and storage medium |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190138915A (en) | 2018-06-07 | 2019-12-17 | 현대자동차주식회사 | Voice recognition apparatus, vehicle having the same and control method for the vehicle |
-
2007
- 2007-08-20 JP JP2007213992A patent/JP4981579B2/en not_active Expired - Fee Related
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011039965A (en) * | 2009-08-18 | 2011-02-24 | Nippon Telegr & Teleph Corp <Ntt> | Model parameter estimation device, method, and program |
JP2014077865A (en) * | 2012-10-10 | 2014-05-01 | Nippon Hoso Kyokai <Nhk> | Speech recognition device, error correction model learning method and program |
CN110764647A (en) * | 2019-10-21 | 2020-02-07 | 科大讯飞股份有限公司 | Input error correction method, input error correction device, electronic equipment and storage medium |
CN110764647B (en) * | 2019-10-21 | 2023-10-31 | 科大讯飞股份有限公司 | Input error correction method, input error correction device, electronic equipment and storage medium |
Also Published As
Publication number | Publication date |
---|---|
JP4981579B2 (en) | 2012-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9058811B2 (en) | Speech synthesis with fuzzy heteronym prediction using decision trees | |
CN110033760B (en) | Modeling method, device and equipment for speech recognition | |
KR101780760B1 (en) | Speech recognition using variable-length context | |
JP7052866B2 (en) | Self-training data sorting device, estimation model learning device, self-training data sorting method, estimation model learning method, and program | |
US8494847B2 (en) | Weighting factor learning system and audio recognition system | |
US11227580B2 (en) | Speech recognition accuracy deterioration factor estimation device, speech recognition accuracy deterioration factor estimation method, and program | |
Lugosch et al. | Donut: Ctc-based query-by-example keyword spotting | |
JP6031316B2 (en) | Speech recognition apparatus, error correction model learning method, and program | |
US20100076759A1 (en) | Apparatus and method for recognizing a speech | |
JP2014077865A (en) | Speech recognition device, error correction model learning method and program | |
CN1391211A (en) | Exercising method and system to distinguish parameters | |
JP4981579B2 (en) | Error correction model learning method, apparatus, program, and recording medium recording the program | |
JP7326596B2 (en) | Voice data creation device | |
JP2019078857A (en) | Method of learning acoustic model, and computer program | |
JP2013117683A (en) | Voice recognizer, error tendency learning method and program | |
JP4950600B2 (en) | Acoustic model creation apparatus, speech recognition apparatus using the apparatus, these methods, these programs, and these recording media | |
JP2013182261A (en) | Adaptation device, voice recognition device and program | |
JP6086714B2 (en) | Speech recognition apparatus, error correction model learning method, and program | |
JP2020126141A (en) | Acoustic model learning device, acoustic model learning method, program | |
JP2011048262A (en) | Device, method and program for learning sound model parameter | |
JP4537970B2 (en) | Language model creation device, language model creation method, program thereof, and recording medium thereof | |
KR20190061460A (en) | question answering system and method based on reliability | |
JP2018132678A (en) | Turn-taking timing identification apparatus, turn-taking timing identification method, program and recording medium | |
JP5264649B2 (en) | Information compression model parameter estimation apparatus, method and program | |
JP2020140674A (en) | Answer selection device and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20090729 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20110418 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110506 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110704 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20110812 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20120410 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20120420 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150427 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |