[发明专利]一种语音转录文本的实体纠错方法及系统

说明书

本发明提供了一种语音转录文本的实体纠错方法及系统，该方法包括：对从目标语音转录文本中提取的实体词汇进行拼音标注；利用标注的拼音及基于拼音相似度的编辑距离对实体词汇进行聚类，生成聚类结果；将聚类结果中在同一类别出现频率最高的实体词汇确定为标准实体词汇，并将该类别中其他实体词汇替换为标准实体词汇。通过利用基于拼音相似度的编辑距离对实体词汇进行聚类，从而将拼音相似度作为参考因素加入编辑距离算法中，加强了对同义词及音词的辨别能力，使得聚类结果更加符合语音转录文本的实际情况，根据该聚类结果用同一类别中出现频率最高的实体词汇替换其他实体词汇，实现了对语音转录文本的纠错，进而提高了最终语音转录文本的准确性。

技术领域

本发明涉及语音处理技术领域，具体涉及一种语音转录文本的实体纠错方法及系统。

背景技术

随着人工智能(AI，Artificial Intelligence)技术的推广和深入，以带电作业机器人、AI控制器为代表的一批智能产品已率先进入电力行业，并发挥了极大的效用。因此，将人工智能技术与电力、能源等行业相结合，促进传统行业的转型升级，是现在的发展趋势。语音作为人类最自然、最有效地交流方式，使得语音识别技术成为当下热门研究方向。目前，在国网客服中心每天产生大量的通话记录，这些通话的语音通过自动转录为文本的方式进行存储，但是由于受到口音、断句及语音中词意等影响，机器在识别语音文本时，容易识别成读音相同或者相似的同音字，造成自动转录完的语音文本中的实体名称会出现各类错误，例如：实体名称为“离线投标工具”被转录为“礼县投标工具”或“离线图标工具”等。因此，需要对转录文本中的实体名称进行纠错。

而目前现有的文本纠错方法往往是利用相似度计算的方式进行文本纠错，其中最常见的相似度算法为编辑距离算法(Minimum Edit Distance，MED)，该算法将两个字符串的相似度问题，归结为将其中一个字符串转化成另一个字符串所要付出的代价，转化的代价越高，说明两个字符串的相似度越低。然而，现有的编辑距离算法在计算字符相似度时，只划分为不同和完全相同这两种情况，但是，由于语音转录文本中一些词汇的真实词意可能会被转换为同音词或近音词，而这些同音词或近音词基于现有的编辑距离算法的文本纠错方法往往无法准确辨别出来，进而影响最终语音转录文本的准确性。

发明内容

有鉴于此，本发明实施例提供了一种语音转录文本的实体纠错方法及系统，以克服现有技术中的语音转录文本的实体纠错方法准确性低的问题。

本发明实施例提供了一种语音转录文本的实体纠错方法，包括：对从目标语音转录文本中提取的实体词汇进行拼音标注；利用标注的拼音及基于拼音相似度的编辑距离对实体词汇进行聚类，生成聚类结果；将聚类结果中在同一类别出现频率最高的实体词汇确定为标准实体词汇，并将该类别中其他实体词汇替换为所述标准实体词汇。

可选地，利用标注的拼音及基于拼音相似度的编辑距离对实体词汇进行聚类，生成聚类结果，包括：步骤S1：将所有实体词汇随机划分为若干类；步骤S2：从所有实体词汇中依次选择待分类实体词汇，利用标注的拼音计算所述待分类实体词汇与每一类中所包含的所有实体词汇之间基于拼音相似度的编辑距离的平均值；步骤S3：将所述待分类实体词汇划分入基于拼音相似度的编辑距离的平均值最小的类别中，并返回上述步骤S2，直至分类结果不再变化为止。

可选地，所述基于拼音相似度的编辑距离通过如下公式计算：

其中，Lev_a，b(i，j)表示字符串a中前i个字符和b中前j个字符之间的基于拼音相似度的编辑距离，i，j分别表示字符串a，b的长度，且i、j为自然数；sim_pinyin(a_i，b_j)表示字符a_i与字符b_j之间的拼音相似度，A表示拼音相似度的预设权重值。