[发明专利]训练数据选择方法、装置、电子设备及计算机存储介质

说明书

本申请提供了一种训练数据选择方法、装置、电子设备及计算机存储介质，首先将备选语料库中的备选声学特征数据输入基础声学模型，根据所述基础声学模型的输出确定所述备选声学特征数据对应的后验概率数据；接着，根据所述后验概率数据计算所述备选声学特征数据对应的信息熵数据；然后，根据所述信息熵数据确定所述备选声学特征数据对应的相对熵数据；最后，根据所述相对熵数据从所述备选声学特征数据中选取训练数据。可以根据信息熵数据和相对熵数据来选取对模型而言信息量较大的训练数据，从而实现少量优选的训练数据的训练效果也能满足模型的训练需求，减少对无用训练数据的重复标注，大大节省了人力物力。

技术领域

本申请涉及语音识别技术领域，特别是一种训练数据选择方法、装置、电子设备及计算机存储介质。

背景技术

随着深度学习技术在语音识别领域的突破，连续语音识别技术已广泛应用于教育、娱乐、医疗、交通、军事等各行各业，应用的效果得到了业界的普遍认可。但由于连续语音识别技术属于典型的数据驱动性、有监督学习的模式识别技术，系统训练数据所覆盖的数量与质量直接影响着系统的识别性能。因为行业领域的不同，同一个语种的连续语音识别任务，所要识别的数据具有非常明显的差异性，包括信道、文本主题、说话人、环境噪声等等因素。这些差异性的客观存在，导致难以建立一个各领域、行业识别效果通用的连续语音识别系统，需要针对各行业数据对已有的识别系统进行迭代学习优化。

现有的方法是投入大量的专业人员对训练数据进行标注，不断地提高训练数据的覆盖面。但这不仅需要大量的专业的语言人才，而且需要耗费大量的财力，十分不便。

发明内容

基于上述问题，本申请提出了一种训练数据选择方法、装置、电子设备及计算机存储介质，可以自动选择信息量较大的训练数据，提升语音识别模型的训练效率，大大节省了人力物力。

本申请实施例第一方面提供了一种训练数据选择方法，所述方法包括：

将备选语料库中的备选声学特征数据输入基础声学模型，根据所述基础声学模型的输出确定所述备选声学特征数据对应的后验概率数据；

根据所述后验概率数据计算所述备选声学特征数据对应的信息熵数据；

根据所述信息熵数据确定所述备选声学特征数据对应的相对熵数据；

根据所述相对熵数据从所述备选声学特征数据中选取训练数据

本申请实施例第二方面提供了一种训练数据选择装置，所述装置包括处理单元，所述处理单元用于：

将备选语料库中的备选声学特征数据输入基础声学模型，根据所述基础声学模型的输出确定所述备选声学特征数据对应的后验概率数据；

根据所述后验概率数据计算所述备选声学特征数据对应的信息熵数据；

根据所述信息熵数据确定所述备选声学特征数据对应的相对熵数据；

根据所述相对熵数据从所述备选声学特征数据中选取训练数据。

本申请实施例第三方面提供了一种电子设备，包括应用处理器、存储器，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述应用处理器执行，所述程序包括用于执行如本申请实施例第一方面任一项所描述的全部或部分步骤的指令。

本申请实施例第四方面提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如本申请实施例第一方面任一项所描述的方法。

本申请实施例第五方面提供了一种计算机产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。