Word-Semantic Lattices for Spoken Language Understanding
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F15%3A43926626" target="_blank" >RIV/49777513:23520/15:43926626 - isvavai.cz</a>
Výsledek na webu
<a href="http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=7178976&tag=1" target="_blank" >http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=7178976&tag=1</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ICASSP.2015.7178976" target="_blank" >10.1109/ICASSP.2015.7178976</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Word-Semantic Lattices for Spoken Language Understanding
Popis výsledku v původním jazyce
The paper presents a method for converting word-based automatic speech recognition (ASR) lattices into word-semantic (W-SE) lattices that contain original words together with a partial semantic information – so-called semantic entities. Semantic entity detection algorithm generates semantic entities based on the expert-defined knowledge. The generated W-SE lattices have smaller vocabulary and consequently reduce the sparsity of the training data. The format of the W-SE lattices also naturally preserves the inherent uncertainty of the ASR output that can be exploited in subsequent dialog modules. The presented technique employs the framework of weighted finite state transducers which allows for efficient optimization of word-semantic lattices. We have evaluated the method in two different spoken language understanding tasks and obtained more than 10% reduction of concept error rate in comparison with using 1-best word hypothesis in both of those tasks.
Název v anglickém jazyce
Word-Semantic Lattices for Spoken Language Understanding
Popis výsledku anglicky
The paper presents a method for converting word-based automatic speech recognition (ASR) lattices into word-semantic (W-SE) lattices that contain original words together with a partial semantic information – so-called semantic entities. Semantic entity detection algorithm generates semantic entities based on the expert-defined knowledge. The generated W-SE lattices have smaller vocabulary and consequently reduce the sparsity of the training data. The format of the W-SE lattices also naturally preserves the inherent uncertainty of the ASR output that can be exploited in subsequent dialog modules. The presented technique employs the framework of weighted finite state transducers which allows for efficient optimization of word-semantic lattices. We have evaluated the method in two different spoken language understanding tasks and obtained more than 10% reduction of concept error rate in comparison with using 1-best word hypothesis in both of those tasks.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/GBP103%2F12%2FG084" target="_blank" >GBP103/12/G084: Centrum pro multi-modální interpretaci dat velkého rozsahu</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2015
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings - ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing
ISBN
978-1-4673-6997-8
ISSN
1520-6149
e-ISSN
—
Počet stran výsledku
5
Strana od-do
5266-5270
Název nakladatele
IEEE
Místo vydání
New York
Místo konání akce
Brisbane, Australia
Datum konání akce
19. 4. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000427402905077