[發(fā)明專(zhuān)利]一種語(yǔ)音轉(zhuǎn)錄文本的實(shí)體糾錯(cuò)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010439068.5
• 申請(qǐng)日: 2020-05-21
• 公開(kāi)（公告）號(hào): CN111611792B
• 公開(kāi)（公告）日: 2023-05-23
• 發(fā)明（設(shè)計(jì)）人: 賈全燁;張強(qiáng);宋博川;柴博
• 申請(qǐng)（專(zhuān)利權(quán)）人: 全球能源互聯(lián)網(wǎng)研究院有限公司;國(guó)家電網(wǎng)有限公司;國(guó)家電網(wǎng)有限公司信息通信分公司;國(guó)網(wǎng)山東省電力公司信息通信公司
• 主分類(lèi)號(hào): G06F40/232
• 分類(lèi)號(hào): G06F40/232;G06F40/295;G10L15/26
• 代理公司: 北京三聚陽(yáng)光知識(shí)產(chǎn)權(quán)代理有限公司 11250
• 代理人: 胡曉靜

本發(fā)明提供了一種語(yǔ)音轉(zhuǎn)錄文本的實(shí)體糾錯(cuò)方法及系統(tǒng)，該方法包括：對(duì)從目標(biāo)語(yǔ)音轉(zhuǎn)錄文本中提取的實(shí)體詞匯進(jìn)行拼音標(biāo)注；利用標(biāo)注的拼音及基于拼音相似度的編輯距離對(duì)實(shí)體詞匯進(jìn)行聚類(lèi)，生成聚類(lèi)結(jié)果；將聚類(lèi)結(jié)果中在同一類(lèi)別出現(xiàn)頻率最高的實(shí)體詞匯確定為標(biāo)準(zhǔn)實(shí)體詞匯，并將該類(lèi)別中其他實(shí)體詞匯替換為標(biāo)準(zhǔn)實(shí)體詞匯。通過(guò)利用基于拼音相似度的編輯距離對(duì)實(shí)體詞匯進(jìn)行聚類(lèi)，從而將拼音相似度作為參考因素加入編輯距離算法中，加強(qiáng)了對(duì)同義詞及音詞的辨別能力，使得聚類(lèi)結(jié)果更加符合語(yǔ)音轉(zhuǎn)錄文本的實(shí)際情況，根據(jù)該聚類(lèi)結(jié)果用同一類(lèi)別中出現(xiàn)頻率最高的實(shí)體詞匯替換其他實(shí)體詞匯，實(shí)現(xiàn)了對(duì)語(yǔ)音轉(zhuǎn)錄文本的糾錯(cuò)，進(jìn)而提高了最終語(yǔ)音轉(zhuǎn)錄文本的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及語(yǔ)音處理技術(shù)領(lǐng)域，具體涉及一種語(yǔ)音轉(zhuǎn)錄文本的實(shí)體糾錯(cuò)方法及系統(tǒng)。

背景技術(shù)

隨著人工智能(AI，Artificial?Intelligence)技術(shù)的推廣和深入，以帶電作業(yè)機(jī)器人、AI控制器為代表的一批智能產(chǎn)品已率先進(jìn)入電力行業(yè)，并發(fā)揮了極大的效用。因此，將人工智能技術(shù)與電力、能源等行業(yè)相結(jié)合，促進(jìn)傳統(tǒng)行業(yè)的轉(zhuǎn)型升級(jí)，是現(xiàn)在的發(fā)展趨勢(shì)。語(yǔ)音作為人類(lèi)最自然、最有效地交流方式，使得語(yǔ)音識(shí)別技術(shù)成為當(dāng)下熱門(mén)研究方向。目前，在國(guó)網(wǎng)客服中心每天產(chǎn)生大量的通話(huà)記錄，這些通話(huà)的語(yǔ)音通過(guò)自動(dòng)轉(zhuǎn)錄為文本的方式進(jìn)行存儲(chǔ)，但是由于受到口音、斷句及語(yǔ)音中詞意等影響，機(jī)器在識(shí)別語(yǔ)音文本時(shí)，容易識(shí)別成讀音相同或者相似的同音字，造成自動(dòng)轉(zhuǎn)錄完的語(yǔ)音文本中的實(shí)體名稱(chēng)會(huì)出現(xiàn)各類(lèi)錯(cuò)誤，例如：實(shí)體名稱(chēng)為“離線投標(biāo)工具”被轉(zhuǎn)錄為“禮縣投標(biāo)工具”或“離線圖標(biāo)工具”等。因此，需要對(duì)轉(zhuǎn)錄文本中的實(shí)體名稱(chēng)進(jìn)行糾錯(cuò)。

而目前現(xiàn)有的文本糾錯(cuò)方法往往是利用相似度計(jì)算的方式進(jìn)行文本糾錯(cuò)，其中最常見(jiàn)的相似度算法為編輯距離算法(Minimum?Edit?Distance，MED)，該算法將兩個(gè)字符串的相似度問(wèn)題，歸結(jié)為將其中一個(gè)字符串轉(zhuǎn)化成另一個(gè)字符串所要付出的代價(jià)，轉(zhuǎn)化的代價(jià)越高，說(shuō)明兩個(gè)字符串的相似度越低。然而，現(xiàn)有的編輯距離算法在計(jì)算字符相似度時(shí)，只劃分為不同和完全相同這兩種情況，但是，由于語(yǔ)音轉(zhuǎn)錄文本中一些詞匯的真實(shí)詞意可能會(huì)被轉(zhuǎn)換為同音詞或近音詞，而這些同音詞或近音詞基于現(xiàn)有的編輯距離算法的文本糾錯(cuò)方法往往無(wú)法準(zhǔn)確辨別出來(lái)，進(jìn)而影響最終語(yǔ)音轉(zhuǎn)錄文本的準(zhǔn)確性。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供了一種語(yǔ)音轉(zhuǎn)錄文本的實(shí)體糾錯(cuò)方法及系統(tǒng)，以克服現(xiàn)有技術(shù)中的語(yǔ)音轉(zhuǎn)錄文本的實(shí)體糾錯(cuò)方法準(zhǔn)確性低的問(wèn)題。

本發(fā)明實(shí)施例提供了一種語(yǔ)音轉(zhuǎn)錄文本的實(shí)體糾錯(cuò)方法，包括：對(duì)從目標(biāo)語(yǔ)音轉(zhuǎn)錄文本中提取的實(shí)體詞匯進(jìn)行拼音標(biāo)注；利用標(biāo)注的拼音及基于拼音相似度的編輯距離對(duì)實(shí)體詞匯進(jìn)行聚類(lèi)，生成聚類(lèi)結(jié)果；將聚類(lèi)結(jié)果中在同一類(lèi)別出現(xiàn)頻率最高的實(shí)體詞匯確定為標(biāo)準(zhǔn)實(shí)體詞匯，并將該類(lèi)別中其他實(shí)體詞匯替換為所述標(biāo)準(zhǔn)實(shí)體詞匯。

可選地，利用標(biāo)注的拼音及基于拼音相似度的編輯距離對(duì)實(shí)體詞匯進(jìn)行聚類(lèi)，生成聚類(lèi)結(jié)果，包括：步驟S1：將所有實(shí)體詞匯隨機(jī)劃分為若干類(lèi)；步驟S2：從所有實(shí)體詞匯中依次選擇待分類(lèi)實(shí)體詞匯，利用標(biāo)注的拼音計(jì)算所述待分類(lèi)實(shí)體詞匯與每一類(lèi)中所包含的所有實(shí)體詞匯之間基于拼音相似度的編輯距離的平均值；步驟S3：將所述待分類(lèi)實(shí)體詞匯劃分入基于拼音相似度的編輯距離的平均值最小的類(lèi)別中，并返回上述步驟S2，直至分類(lèi)結(jié)果不再變化為止。

可選地，所述基于拼音相似度的編輯距離通過(guò)如下公式計(jì)算：

其中，Lev_a，b(i，j)表示字符串a(chǎn)中前i個(gè)字符和b中前j個(gè)字符之間的基于拼音相似度的編輯距離，i，j分別表示字符串a(chǎn)，b的長(zhǎng)度，且i、j為自然數(shù)；sim_pinyin(a_i，b_j)表示字符a_i與字符b_j之間的拼音相似度，A表示拼音相似度的預(yù)設(shè)權(quán)重值。