面向服務(wù)機器人的口語對話系統(tǒng)和語言模型技術(shù)研究.pdf

1、隨著語音識別技術(shù)的日漸成熟，在各個領(lǐng)域的應(yīng)用層出不窮。對于服務(wù)機器人領(lǐng)域，語音技術(shù)主要用于服務(wù)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(yīng)用場景，探究了應(yīng)用于服務(wù)機器人口語對話系統(tǒng)設(shè)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(guān)的技術(shù)-聯(lián)合無監(jiān)督詞聚類的遞歸神經(jīng)網(wǎng)絡(luò)語言模型。
　　本文對面向服務(wù)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(guān)基本

2、原理，然后介紹面向可佳機器人應(yīng)用的語料收集，隨后對模塊所需聲學(xué)模型訓(xùn)練的完整步驟做了介紹，并對幾種聲學(xué)模型在本文提供的訓(xùn)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(guān)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(yīng)的句子識別率為90.83％。針對機器人上機載計算設(shè)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(shè)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(wù)機器人的特點，本文采用層疊狀態(tài)機的設(shè)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(shè)計的對話管理在可佳機器人上具體任務(wù)cocktailparty上的應(yīng)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(jīng)網(wǎng)絡(luò)語言模型上的應(yīng)用?；谶f歸神經(jīng)網(wǎng)絡(luò)的語言模型被證明有領(lǐng)先的效果，研究表明，在遞歸神經(jīng)網(wǎng)絡(luò)語言模型的輸入層加入詞性標(biāo)注信息，可以顯著提高模型的效果。但使用詞性標(biāo)注需要手工標(biāo)注的數(shù)據(jù)訓(xùn)練，耗費大量的人力物力，并且額外的標(biāo)注器增加了模型的復(fù)雜性。為解決上述問題，本文嘗試將布朗詞聚類的結(jié)果代替詞性標(biāo)注信息加入到遞歸神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)語言模型