面向服務機器人的口語對話系統(tǒng)和語言模型技術研究.pdf

1、隨著語音識別技術的日漸成熟，在各個領域的應用層出不窮。對于服務機器人領域，語音技術主要用于服務機器人上的口語對話系統(tǒng)，本文針對可佳機器人的具體應用場景，探究了應用于服務機器人口語對話系統(tǒng)設計與實現(xiàn)的過程。此外，本文還研究了與語音識別中語言模型相關的技術-聯(lián)合無監(jiān)督詞聚類的遞歸神經網絡語言模型。
　　本文對面向服務機器人口語對話系統(tǒng)的研究主要涉及兩個方面:一是語音識別，二是對話管理。在語音識別方面，先較為詳細的介紹了語音識別相關基本

2、原理，然后介紹面向可佳機器人應用的語料收集，隨后對模塊所需聲學模型訓練的完整步驟做了介紹，并對幾種聲學模型在本文提供的訓練集和測試集下的性能做了實驗和分析，實驗表明，使用上下文相關的三音素模型具有最好的識別效果，最佳詞識別率達到98.39％，對應的句子識別率為90.83％。針對機器人上機載計算設備計算能力有限和機器人在運行過程中能提供自身狀態(tài)信息的特點，本文設計了可以壓縮解碼時搜索空間的動態(tài)改變語言模型機制，并對最后完成的語音識別模塊做

3、了實驗和分析，實驗中基于動態(tài)語言模型機制的語音識別模塊最佳句子識別率為87.95％，比不采用動態(tài)語言模型機制的語音識別模塊高出12.05％。在對話管理方面，針對服務機器人的特點，本文采用層疊狀態(tài)機的設計方法并使用python語言實現(xiàn)了這一對話管理框架，接著介紹了我們對話管理框架中的多模態(tài)信息加入和驗證與確認機制，并最后介紹了本文設計的對話管理在可佳機器人上具體任務cocktailparty上的應用。
　　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網絡語言模型上的應用?；谶f歸神經網絡的語言模型被證明有領先的效果，研究表明，在遞歸神經網絡語言模型的輸入層加入詞性標注信息，可以顯著提高模型的效果。但使用詞性標注需要手工標注的數(shù)據訓練，耗費大量的人力物力，并且額外的標注器增加了模型的復雜性。為解決上述問題，本文嘗試將布朗詞聚類的結果代替詞性標注信息加入到遞歸神經網絡語言模型輸入層。實驗顯示，在PennTreebank語料上，加入布朗詞類信息的遞歸神經網絡語言模型