[发明专利]基于多示例学习的自动语音识别困难样本挖掘方法

说明书

本发明提供基于多示例学习的自动语音识别困难样本挖掘方法，属于语音信号处理技术领域。本发明首先收集语料数据建立数据集、选取训练数据；然后对训练集进行人工标注；使用标注好的训练集建立困难样本检测模型，并对其进行训练；再用训练好的困难样本检测模型在剩余集合上挖掘候选困难样本；最后进行困难样本筛选与标注：对检测到的候选困难样本进行人工确认，同时将人工确认后的困难样本进行标注。本发明解决了现有自动语音识别技术需要人工标注大量数据集的问题。本发明可用于语音识别系统对新领域的快速自适应。

技术领域

本发明涉及自动语音识别困难样本挖掘方法，属于语音信号处理技术领域。

背景技术

自动语音识别技术(Automatic Speech Recognition，ASR)发展至今，已经有五、六十年的历史，目标是将人类的语音内容转换为计算机可读的输入，它伴随着计算机科学和通信等学科的发展逐步成长。虽然自动语音识别技术已经获得了很大的进展，但识别结果的正确性仍然有待提高。

目前大多数语音识别系统都是数据驱动的，即要通过输入大量的数据来训练系统，并且在面对新的领域时，要将新领域数据输入到已有的模型中对其进行重训练，使系统能够同时胜任新旧领域。然而对于新领域数据集，通常是未标注的，若将其全部进行人工标注费时费力；目前已有的语音识别系统重训练方式不能很好的解决这个问题。

发明内容

本发明为解决现有自动语音识别技术需要人工标注大量数据集的问题，提供了基于多示例学习的自动语音识别困难样本挖掘方法。

本发明所述基于多示例学习的自动语音识别困难样本挖掘方法，通过以下技术方案实现：

步骤一、收集语料数据建立数据集

步骤二、选取训练数据：

将数据集按照语料时长进行排序，使用均匀采样获得训练集数据集中除训练集之外的剩余集合

步骤三、对训练集进行人工标注，得到标注好的训练集

步骤四、使用标注好的训练集建立困难样本检测模型，并对其进行训练；

步骤五、无标注困难样本挖掘：

使用步骤四中训练好的困难样本检测模型在剩余集合上挖掘候选困难样本；

步骤六、困难样本筛选与标注：

对步骤五中检测到的候选困难样本进行人工确认，同时将人工确认后的困难样本进行标注。

作为对上述技术方案的进一步阐述：

进一步的，步骤四中所述建立困难样本检测模型，并对其进行训练具体为：

建立困难样本检测模型：

其中，X_i是标注好的训练集中的第i个语句，而是第i个语句中第k个词左右扩展三个词后形成的上下文窗口；Y_i是第i个语句对应的标签，是第i个语句中第k个词对应的标签；i＝1，...，n；n表示训练集中样本的数目；k＝1，...，N；N表示每个语句中词的数目；

对困难样本检测模型进行训练，得到模型参数：

a_i＝g(e_i)