基于條件隨機場模型的半監(jiān)督漢語韻律短語預測的研究與實現.pdf

1、隨著當今社會的快速發(fā)展,語音合成技術已經滲透到了社會生活中的各個方面。為了使合成語音的自然度能夠進一步提高,本文研究了在語音合成技術中占據重要地位的韻律結構預測問題。
　　 在漢語韻律結構的研究中的一大難點是對漢語韻律短語的預測問題。本文在綜合考察了目前應用在漢語韻律短語預測任務中的幾種機器學習方法后,提出了一種基于條件隨機場模型的漢語韻律短語邊界預測方法；同時,為了減少標注訓練語料庫所需要的大量時間和人力,本文引入了一種應用于

2、條件隨機場模型的半監(jiān)督學習方法,并實現了一個全自動的漢語韻律短語邊界預測的原型系統(tǒng)。
　　 當前,在漢語韻律短語邊界的預測任務中,使用最廣泛的是隱馬爾科夫模型和最大熵馬爾科夫模型。本文采用的條件隨機場模型(Conditional RandomFields,CRFs)結合了隱馬爾科夫模型和最大熵馬爾科夫模型的優(yōu)點,同時CRFs還可以克服隱馬爾科夫模型中的嚴格獨立假設以及最大熵馬爾科夫模型中的標注偏置問題。目前,CRFs已被應用于一

3、些自然語言處理任務中,如:詞性標注、中文命名體識別等。本文對條件隨機場模型和最大熵馬爾科夫模型進行了實驗比較,得出的結論是,在使用相同特征模板的情況下,條件隨機場模型更適合于漢語韻律短語邊界的預測。
　　 傳統(tǒng)的機器學習方法都是在大規(guī)模訓練數據集的基礎上進行訓練的,而對訓練集進行人工標注需要花費大量的時間以及人力,目前可直接使用于漢語語音合成中的資源又非常有限。因此,本文基于半監(jiān)督學習的思想,引入了一種可以應用于條件隨機場模型的

4、半監(jiān)督學習方法,將該方法應用于漢語韻律短語邊界的預測任務中,并且最終實現了一個全自動的漢語韻律短語邊界預測系統(tǒng)原型。本系統(tǒng)可使用少量的已標注數據和大量的未標注數據進行訓練,首先對已標注數據進行訓練,利用訓練所得的模型對未標注數據進行預測,從預測結果中挑選出一部分有效數據加入訓練集,然后進行下一輪訓練,如此不斷迭代下去,直到最終訓練出用戶滿意的模型。多組實驗表明應用該方法可以有效提高模型在同等規(guī)模訓練集上訓練得到的預測準確率,從而達到在大