基于主題模型的語(yǔ)音主題提取研究與應(yīng)用.pdf

1、本文主要研究了語(yǔ)音主題提取的全部過(guò)程:主要由語(yǔ)音數(shù)據(jù)的預(yù)處理、文本表示、特征提取、參數(shù)估計(jì)、模型訓(xùn)練和主題分類提取組成，以及通過(guò)Gibbs-LDA++和libsvm的環(huán)境平臺(tái)實(shí)現(xiàn)對(duì)模型的仿真。語(yǔ)音數(shù)據(jù)的預(yù)處理主要包括對(duì)語(yǔ)音的轉(zhuǎn)換、分詞、去除停用詞和詞頻統(tǒng)計(jì)。利用語(yǔ)音轉(zhuǎn)換得到文本數(shù)據(jù)，再利用中科院計(jì)算所的漢語(yǔ)詞法分析系統(tǒng)ICTCLAS對(duì)文本數(shù)據(jù)進(jìn)行分詞和去除停用詞，以減少無(wú)用詞的干擾，降低數(shù)據(jù)量;對(duì)進(jìn)行了分詞和去除停用詞的數(shù)據(jù)再做詞頻統(tǒng)計(jì)

2、，方便后面的處理，以及給詞賦予權(quán)重。文本表示和特征的提取是計(jì)算機(jī)能夠有效處理數(shù)據(jù)與提取性能好壞有著直接的聯(lián)系。文本的表示我們利用的是向量空間模型，它是自然語(yǔ)言處理常用的模型，有著可靠的理論支持。特征提取是通過(guò)改進(jìn)的x2統(tǒng)計(jì)量的方法來(lái)選取的，它主要是利用了特征項(xiàng)與類別間的關(guān)系來(lái)決定，避免了重要信息的丟失。在特征提取完后，我們需要在這些特征集上進(jìn)行參數(shù)估計(jì)和模型的訓(xùn)練。參數(shù)估計(jì)是為了給建立LDA模型提供必要的三個(gè)參數(shù)φ、β和T。φ和β在LD

3、A中不能直接的獲得，只能通過(guò)一些近似算法得到，在這里我們采用了MCMC中的Gibbs采樣來(lái)獲取。T是主題數(shù)的大小值，需要我們?nèi)藶樵O(shè)定，但是取多大的值才是最優(yōu)的呢。我們通過(guò)優(yōu)化DBSCAN算法，利用樣本密度來(lái)判斷主題與主題之間的相互關(guān)系來(lái)選取最優(yōu)主題數(shù)，實(shí)現(xiàn)了性能的提高，減少了迭代次數(shù)。參數(shù)獲取完后，就需要進(jìn)行LDA模型的訓(xùn)練，讓模型生成一個(gè)隱藏主題-文本矩陣，為后面的分類提取算法支持向量機(jī)提供支持，構(gòu)造出分類器。最后通過(guò)在Gibbs-L