COLINGNov, 2020

利用字符串和语音相似性的神经文本标准化

PDF
TL;DR本研究提出了神经模型，利用单词字符串和音相似性来进行文本规范化。结论表明，将单词字符串的相似性与声音相似性综合考虑，能成功应对缩写、拼写错误和语音替代等问题，并达到了比基础模型更高的 F1 得分。
neural modelstext normalizationword similaritysound similarityf1 score
发现论文，激发创造
  • 通过优化最近邻匹配来改进文本规范化

    本文提出了一种基于自动优化的最近邻匹配方法来进行文本规范化的方法，它可用于构建具备实践意义的领域特定规范化词典。

    Dec, 2017

  • 将序列对序列模型用于社交媒体文本规范化

    介绍了一个基于混合词 - 字符注意力编码 - 解码模型的社交媒体文本标准化系统，以预处理噪音文本并适应社交媒体上的 NLP 应用。

    Apr, 2019

  • 基于声音的词嵌入学习方法：Sound-Word2Vec

    该论文提出了一个新的嵌入方案 (sound-word2vec)，用于学习基于声音的专业词嵌入。 这些嵌入的使用在文本检索和电影制作等任务中表现出了很好的效果，并提出来了许多新的声学和拟声词上的依赖关系。

    Mar, 2017

  • 利用字符和词向量与序列到序列模型进行文本规范化

    使用字符级别的注意力和事先训练好的子 / 词级别的嵌入向神经网络提供更多语言学信息，而不需要大量的平行语料库，从而帮助神经网络在标准阿拉伯语语言纠错共享任务数据集上实现最先进的 F1 分数。

    Sep, 2018

  • 文本转语音中的非标准越南语词语检测和规范化

    本文提出了一种新的两阶段文本标准化方法解决语音合成中的 NSWs（数字，日期，范围，分数，缩写，URL，电子邮件，哈希标签和联系人名字）语义歧义和发音问题。第一个阶段使用基于模型的标注器检测 NSWs，第二个阶段使用基于正向词典的最大匹配算法将哈希标签，电子邮件地址和联系人名字等 NSWs 拆分为发音形式。实验结果表明，该方法的错误率较低，达到 6.67％。

    Sep, 2022

  • 基于多模型精细非线性融合的语义相似度计算模型

    该论文介绍了一种基于多模型非线性融合的新模型，通过使用基于词性、TF-IDF 和 word2vec-CNN 算法的 Jaccard 系数来分别衡量句子的相似度，输入加权向量到全连接神经网络，从而降低特征提取的细粒度，全局把握句子特征。实验结果表明，句子相似度计算方法的匹配率为 84%，模型的 F1 值为 75%。

    Feb, 2022

  • 神经字符串编辑距离

    本文提出神经字符串编辑距离模型用于字符串对匹配与转录，并在同一框架中平衡精度与可解释性，通过对认知相似性，音译以及字音转换等任务进行评估达到了最先进匹配模型的表现。

    Apr, 2021

  • 跨语言声学 - 语音相似度对多语种语音识别的影响研究

    本文提出了一种新的数据驱动方法来研究跨语音识别方案中的跨语言声学语音相似性，通过训练深度神经网络来将来自不同声音模型的分布转化为可直接比较的形式，并通过熵分析发现少重叠语音的语言更易于跨语言传输，在融合单语言模型方面取得了相对于单语言识别的 8％的改进。

    Jul, 2022

  • 基于文本的任意声音分离

    本研究提出了一种方法，通过结合两种模型，即 SoundWords 和 SoundFilter 模型，以在共享的文本 - 音频表示法中定义的调节向量为基础，将目标声音源从单通道混合中分离出来，并证明了此多模式训练方法可以提高 SoundFilter 的性能。

    Apr, 2022

  • 微文本规范化中音标算法的性能

    通过实验一系列语音算法，研究在候选生成过程中对微文本规范化的最佳语音算法，以提高规范化系统的整体性能。

    Feb, 2024