・大量のテキストを統計的に解析することで特徴空間を得る ・学習データに存在しなかった単語の共起関係も予測できる 文書 単 語

1. 1-Q-26LSA に基づくOne-Class SVM を用いた音声認識仮説の検証 松本　智彦，　佐古　淳，　滝口　哲也，　有木　康雄 (神戸大) 研究背景・目的 アプローチ 　・音声認識器による不適切な文書の湧き出し 　・現在の音声認識は音響モデルと言語モデルのみに基づく 　・自動的に不適切な文書を検出し，訂正する手法を提案 　・書き起こし文書を適切な文書とし，その特徴ベクトルを One-Class SVMにより学習 　・仮説文が学習で求まったクラスに含まれるかどうかで 　　適切な文書か識別 検証 音声 Latent Semantic Analysis (LSA) 学習 音声認識 　・大量のテキストを統計的に解析することで特徴空間を得る 　・学習データに存在しなかった単語の共起関係も予測できる 　　　　　　　　文書 　単 　語 　・ vjSを文書の特徴ベクトルと考えることができる 書き起こし文書 複数の仮説文 LSA LSA空間に射影 κij：文書cｊにおける単語riの出現回数 λｊ ：文書cｊに含まれる全単語数 τi ：全文書中での単語riの出現回数 N ：全文書数 One-Class SVMによる適切な文書の学習 適切な文書か検証 × ふさわしい仮説文を選択 ストップワードの指定にも利用 認識結果 c1・・・ cj・・・ cN v1T・・・ vjT・・・ vNT 適切な文書 学習により 求まった境界 W U S VT r1 ・ ・ ・ ri ・ ・ ・ rM u1 ・ ・ ・ ui ・ ・ ・ uM ＝ 学習データ R×R R×N 仮説文 特異値分解による次元圧縮 不適切な文書 M×R M×N O 実験条件 実験結果 Juliusの出力した1-bestと，提案手法により得られた 　認識結果を，ストップワードとしなかった単語のみの 　単語誤り率（WER）で比較 対話 　　　　　　　　　　　　　　　　　対話タスクはかなりくだけた発話であるため 　　　　　　　　　　　　　　　　　認識率が著しく低い CSJ 　改善例 考察 今後の予定 ・認識率の低いタスクにおいて提案手法は有効ではない 　・文書数が膨大になるとLSAによりトピックを捉えきれない 　・n-bestではキーワードとなる単語の変化が少ない 　・挿入誤りの湧き出し 　・読み上げ音声に対する提案手法の適用 　・Confusion Networkを用いた検証 　・音声認識スコアとOne-Class SVMスコアの統合