文本无关发音质量评估系统中声学模型的若干研究和改进

在无关的发音质量评估系统中,需要先识别出待测语音的说话内容,才能进行准确评估。真实的评测数据往往有很多不利的因素影响识别正确率,包括噪声、方言口音、信道噪声、说话随意性等。针对这些不利因素,本文对声学模型进行了深入的研究,包括:在训练数据中加入背景噪声,增强了模型的抗噪声能力;采用基于说话人的倒谱均值方差规整(SCMVN),降低信道及说话人个体特性的影响;用和待测语音相同地域的朗读数据做最大后验概率(MAP)自适应,使模型带有当地方言口音的发音特点;用自然口语数据做MAP自适应,使模型较好地描述自然口语中比较随意的发音现象。实验结果表明,使用这些措施之后,使待测语音的识别正确率相对提高了44.1%,从而使机器评分和专家评分的相关系数相对提高了6.3%。

基于知识图谱的汽车运维专家系统集成建模

运用网络信息资源构建知识库以提供知识答疑服务,有助于汽车企业或第三方平台获取竞争优势。本研究通过汽车运维专家系统集成建模,提出了基于知识图谱的系统构建方案。在命名实体识别方法上,通过集成隐马尔可夫模型、条件随机场(conditional random field,CRF)、双向长短期记忆网络(Bi-directional long short-term memory,BiLSTM)、BiLSTM CRF和Lattice LSTM,提出了BM LSTM(boyer-moore long short-term memory)算法,提高了实体识别精度。在文本质量评估算法上,设计了二级文本质量评估体系,基于词林工具包Synonyms以及Levenshtein Distance算法评估了问题匹配质量,基于TF-IDF(term frequency-inverse document frequency)相似度算法并围绕完整性、准确性、可靠性、论述强度评估了答案文本质量。最后对所提模型和算法进行了实验,证明了其有效性。