دسته: روانشناسی – ترجمه مقالات

دانلود ترجمه مقاله شناسایی عبارت بیان شده در کلام پرسش Query-by-Example

ترجمه مقاله تشخیص عبارت گفته شده در زبان پرس و جوی Query-by-Example

نمونه متن ترجمه شده این مقاله

هدف تکنولوژی تشخیص عبارت گفته شده(STD) این بوده که بتوانیم واژگانی را در مجموعه ی بزرگی از محتوای گفتاری ، مورد جستجو قرار دهیم. در این مقاله، ما مواردی را مطرح خواهیم کرد که در آن عبارات مد نظر جستجو(پرس و جوها)، مثال هایی صوتی هستند. این مورد، یا به وسیله ی تشخیص بخش مد نظر در جریان صوتی صورت خواهد گرفت و یا به وسیله ی گفتن عبارت پرس و جو. معمولاٌ پرس و جوها مرتبط با شاخص های نام گذاری شده و کلمات خارجی هستند، که عموماٌ پوشش ضعیفی در واژگان مربوط به سیستم های تشخیص گفتار پیوسته واژگان بزرگ(LVCSR) دارند. در تمامی این مقاله، ما بر روی جستجوی Query-By-Example برای چنین عباراتی که فاقد واژگان هستند(OOV) متمرکز خواهیم شد.

ما یک مبدل وضعیت محدود(FST) را بر مبنای سیستم شاخص گذری و جستجو ایجاد خواهیم کرد[1] تا مسئله ی جستجوی Query-By-Example را برای عبارات OOV و به صورت ارائه ی هر دوی پرس و جو و شاخص به عنوان شبکه های آوایی از خروجی یک سیستم LVCSR حل شود.

ما نتایجی را که متفاوت از مکانیسم های ارائه و تولید است هم برای پرس و جو و هم شاخص هایی که با یک واژه ایجاد شده است ، ارائه خواهیم داد. همچنین متدی دو مرحله ای را ارائه خواهیم داد که از جستجوی Query-by-Example و با استفاده از بهترین واژگان تشخیص داده شده استفاده کرده و اثبات خواهد کرد که این روش می توان کارائی قابل ملاحظه ای را داشته باشد که مقدار آن به وسیله ی مقدار وزن دهی شده ی عبارت واقعی(ATWV)، به میزان 0.479 در مقایسه با مقدار 0.325 که از تلفظ رفرنس برای OOV ها استفاده کرده است، اندازه گیری شده است. بهبودی های بیشتری را نیز می توان به وسیله ی روش دو گذره(دو مرحله ای) و فیلترینگ با استفاده از شمارش های مورد انتظار از سیستم فرهنگ لغت LVCSR بدست آورد.

جهت دانلود محصول اینجا کلیک نمایید

 The first observation is that in general the hybrid index performs better than the word index. This supports the results in [16] which show that the hybrid system has a better phone error rate especially for OOV regions. The second interesting observation is that the optimal choice of the transducer rep- resentation depends on the fidelity of the query decode itself. We can see that for the bestq set, the one-best representation provides the best results whereas for the worstq set, 3-best and 5-best representations provide better results. In the randomq case all representations have no noticeable difference in their performances. It can also be seen that for the random case the QbyE results compare well with the reflex results in Table I. Pruned-lattice query representations perform similar to 5-best multi-path query representations.