語(yǔ)音翻譯中口語(yǔ)文本規(guī)范化的研究.pdf

1、隨著全球經(jīng)濟(jì)一體化的發(fā)展，人們對(duì)國(guó)際化信息的渴求越來(lái)越強(qiáng)烈。為了解決不同語(yǔ)言之間的交流障礙，語(yǔ)音翻譯應(yīng)運(yùn)而生。通常語(yǔ)音翻譯由語(yǔ)音識(shí)別、機(jī)器翻譯、語(yǔ)音生成三分部組成，其中語(yǔ)音識(shí)別文本是連接三個(gè)模塊的紐帶。然而口語(yǔ)自動(dòng)語(yǔ)音識(shí)別文本通常包含重復(fù)、停頓、修正、冗余等不流利因素。識(shí)別并移除這些不流利因素有助于提高后續(xù)自然語(yǔ)言處理任務(wù)的質(zhì)量。
　　本文主要研究了如何對(duì)口語(yǔ)中的不流利現(xiàn)象建模，識(shí)別并移除不流利因素，使口語(yǔ)文本書(shū)面化。本文首先提出

2、多種基于依存句法結(jié)構(gòu)的特征并利用條件隨機(jī)場(chǎng)模型(CRF)完成對(duì)不同類型的口語(yǔ)不流利現(xiàn)象的檢測(cè)。重點(diǎn)研究了不同類型不流利檢測(cè)的區(qū)別，以及不流利檢測(cè)任務(wù)對(duì)機(jī)器翻譯的重要影響，實(shí)驗(yàn)結(jié)果表明口語(yǔ)不流利檢測(cè)可以提高機(jī)器翻譯質(zhì)量。同時(shí)本文研究了最大間隔馬爾科夫網(wǎng)模型(M3N)，并將該模型應(yīng)用在了不流利檢測(cè)任務(wù)中，得到了良好的識(shí)別性能。然后本文根據(jù)不流利檢測(cè)特點(diǎn)和以往工作中的不足提出了基于反向依存句法分析的不流利檢測(cè)算法，并根據(jù)考慮問(wèn)題的不同角度分別

3、提出了BCT模型和UT模型。本文提出的模型能夠充分利用句子中長(zhǎng)距離的依存關(guān)系，結(jié)合了多種句法特征和口語(yǔ)不流利特征，并能夠在線性時(shí)間內(nèi)同時(shí)完成不流利檢測(cè)任務(wù)和依存句法分析任務(wù)。最后本文將多種現(xiàn)有算法和本文提出的算法進(jìn)行了全面的對(duì)比分析。實(shí)驗(yàn)表明，本文提出的算法在英文Switchboard數(shù)據(jù)集上獲得85.1％的不流利檢測(cè)F1值和92.2%的依存句法分析UAS值，均高于現(xiàn)有工作。此外，還將本文提出的算法在中文標(biāo)注數(shù)據(jù)集上進(jìn)行了測(cè)試，實(shí)驗(yàn)結(jié)果