| { |
| "paper_id": "F12-1007", |
| "header": { |
| "generated_with": "S2ORC 1.0.0", |
| "date_generated": "2023-01-19T09:44:59.863383Z" |
| }, |
| "title": "Automates lexico-phon\u00e9tiques pour l'indexation et la recherche de segments de parole", |
| "authors": [ |
| { |
| "first": "Julien", |
| "middle": [], |
| "last": "Fayolle", |
| "suffix": "", |
| "affiliation": {}, |
| "email": "" |
| }, |
| { |
| "first": "Fabienne", |
| "middle": [], |
| "last": "Moreau", |
| "suffix": "", |
| "affiliation": { |
| "laboratory": "", |
| "institution": "Universit\u00e9 de Rennes", |
| "location": { |
| "addrLine": "2 (3) INSA Rennes (4) CNRS (5) IRISA, Campus de Beaulieu", |
| "postCode": "35042", |
| "settlement": "Rennes Cedex" |
| } |
| }, |
| "email": "" |
| }, |
| { |
| "first": "Christian", |
| "middle": [], |
| "last": "Raymond", |
| "suffix": "", |
| "affiliation": {}, |
| "email": "" |
| }, |
| { |
| "first": "Guillaume", |
| "middle": [], |
| "last": "Gravier", |
| "suffix": "", |
| "affiliation": {}, |
| "email": "" |
| } |
| ], |
| "year": "", |
| "venue": null, |
| "identifiers": {}, |
| "abstract": "Ce papier 1 pr\u00e9sente une m\u00e9thode d'indexation de segments de parole qui combine des hypoth\u00e8ses lexicales et phon\u00e9tiques au sein d'un index hybride \u00e0 base d'automates. La recherche se fait via un appariement lexico-phon\u00e9tique semi-imparfait qui tol\u00e8re certaines imperfections pour am\u00e9liorer le rappel. Un vecteur de descripteurs, contenant des scores d'\u00e9dition et une mesure de confiance, pond\u00e8re chaque transition permettant de caract\u00e9riser la pertinence des segments candidats pour une recherche plus pr\u00e9cise. Les exp\u00e9riences montrent la compl\u00e9mentarit\u00e9 des repr\u00e9sentations lexicales et phon\u00e9tiques et leur int\u00e9r\u00eat pour rechercher des requ\u00eates d'entit\u00e9s nomm\u00e9es.", |
| "pdf_parse": { |
| "paper_id": "F12-1007", |
| "_pdf_hash": "", |
| "abstract": [ |
| { |
| "text": "Ce papier 1 pr\u00e9sente une m\u00e9thode d'indexation de segments de parole qui combine des hypoth\u00e8ses lexicales et phon\u00e9tiques au sein d'un index hybride \u00e0 base d'automates. La recherche se fait via un appariement lexico-phon\u00e9tique semi-imparfait qui tol\u00e8re certaines imperfections pour am\u00e9liorer le rappel. Un vecteur de descripteurs, contenant des scores d'\u00e9dition et une mesure de confiance, pond\u00e8re chaque transition permettant de caract\u00e9riser la pertinence des segments candidats pour une recherche plus pr\u00e9cise. Les exp\u00e9riences montrent la compl\u00e9mentarit\u00e9 des repr\u00e9sentations lexicales et phon\u00e9tiques et leur int\u00e9r\u00eat pour rechercher des requ\u00eates d'entit\u00e9s nomm\u00e9es.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Abstract", |
| "sec_num": null |
| } |
| ], |
| "body_text": [ |
| { |
| "text": "La recherche de contenus parl\u00e9s (Chelba et al., 2008) fait appel aux domaines de la reconnaissance automatique de la parole (RAP) et de la recherche d'information (RI) . Seulement les outils de RI textuelle ne sont pas adapt\u00e9s aux transcriptions automatiques qui sont particuli\u00e8rement bruit\u00e9es de par leur nature incompl\u00e8te et incertaine. En effet, ces transcriptions contiennent de nombreuses erreurs de reconnaissance touchant notamment les mots hors vocabulaire (OOV pour out-of-vocabulary) absents des lexiques de transcription et les entit\u00e9s nomm\u00e9es qui v\u00e9hiculent les informations essentielles du discours (e.g., noms de personnes, de lieux ou d'organisations) n\u00e9cessaires \u00e0 la RI. On distingue deux types d'approches pour pallier ces d\u00e9fauts. On peut, d'une part, am\u00e9liorer le rappel en faisant appel \u00e0 une repr\u00e9sentation de plus bas niveau compos\u00e9e de sous-mots (i.e., subdivisions du mot comme les syllabes ou les phon\u00e8mes) qui permet de repr\u00e9senter les mots OOV et plus g\u00e9n\u00e9ralement tous types d'erreurs lexicales. Il est aussi possible d'utiliser des repr\u00e9sentations plus denses qu'une simple transcription telles que le graphe, le r\u00e9seau de confusion ou la liste des N meilleures hypoth\u00e8ses. D'autre part, on peut am\u00e9liorer la pr\u00e9cision en estimant des mesures de confiance qui indiquent le degr\u00e9 de fiabilit\u00e9 de la reconnaissance permettant ainsi de filtrer le bruit. On s'int\u00e9resse ici \u00e0 combiner ces deux approches pour une t\u00e2che de recherche de segments de parole. Cette t\u00e2che consiste \u00e0 retrouver, dans un ensemble de contenus parl\u00e9s, tous les segments de parole contenant une requ\u00eate textuelle donn\u00e9e. On distingue deux strat\u00e9gies dans l'\u00e9tat de l'art pour combiner efficacement deux niveaux de repr\u00e9sentations lexicales et phon\u00e9tiques. La premi\u00e8re consid\u00e8re deux index s\u00e9par\u00e9s utilis\u00e9s en \"cascade\", i.e., la recherche utilise par d\u00e9faut l'index lexical et se replie sur l'index phon\u00e9tique que si n\u00e9cessaire (Saraclar et Sproat, 2004) , ce qui permet d'\u00e9viter le bruit de la recherche phon\u00e9tique dans la plupart des cas. La seconde strat\u00e9gie mod\u00e9lise les deux niveaux au sein d'un index hybride (Hori et al., 2007; Yu et Seide, 2004) , offrant l'avantage d'un possible appariement lexico-phon\u00e9tique entre la requ\u00eate et l'index. La m\u00e9thode propos\u00e9e reprend l'id\u00e9e d'un index hybride car il permet des appariements lexicophon\u00e9tiques impossibles avec deux index s\u00e9par\u00e9s. La structure de l'index est bas\u00e9e sur les automates car ils peuvent repr\u00e9senter tous types de sorties de RAP. L'originalit\u00e9 de la m\u00e9thode est qu'elle pond\u00e8re les transitions des automates par un vecteur de descripteurs qui permet de caract\u00e9riser la pertinence des segments candidats \u00e0 la requ\u00eate donn\u00e9e. Les descripteurs utilis\u00e9s comprennent : des scores d'\u00e9dition calcul\u00e9s par un transducteur d'appariement semi-imparfait qui tol\u00e9re certaines imperfections des repr\u00e9sentations ; et une mesure de confiance indiquant la fiabilit\u00e9 des symboles reconnus. Les exp\u00e9riences comparent les performances des combinaisons hybride et cascad\u00e9e pour rechercher des requ\u00eates d'entit\u00e9s nomm\u00e9es. On pr\u00e9sentera tout d'abord la m\u00e9thode (section 2) puis les exp\u00e9riences (section 3) pour enfin conclure (section 4).", |
| "cite_spans": [ |
| { |
| "start": 32, |
| "end": 53, |
| "text": "(Chelba et al., 2008)", |
| "ref_id": "BIBREF4" |
| }, |
| { |
| "start": 163, |
| "end": 167, |
| "text": "(RI)", |
| "ref_id": null |
| }, |
| { |
| "start": 1927, |
| "end": 1953, |
| "text": "(Saraclar et Sproat, 2004)", |
| "ref_id": "BIBREF11" |
| }, |
| { |
| "start": 2114, |
| "end": 2133, |
| "text": "(Hori et al., 2007;", |
| "ref_id": "BIBREF8" |
| }, |
| { |
| "start": 2134, |
| "end": 2152, |
| "text": "Yu et Seide, 2004)", |
| "ref_id": "BIBREF12" |
| } |
| ], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Introduction", |
| "sec_num": "1" |
| }, |
| { |
| "text": ". 1 -Vue g\u00e9n\u00e9rale de la m\u00e9thode propos\u00e9e.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "FIG", |
| "sec_num": null |
| }, |
| { |
| "text": "La m\u00e9thode propos\u00e9e reprend le cadre g\u00e9n\u00e9ral d'indexation d'automates pour la recherche de segments de parole pr\u00e9sent\u00e9 par (Allauzen et al., 2004) en l'adaptant aux automates lexicophon\u00e9tiques. La figure 1 donne une vue g\u00e9n\u00e9rale de la m\u00e9thode. \u00c0 partir des sorties de RAP, on construit des automates lexico-phon\u00e9tiques qui constituent l'index (section 2.1). La requ\u00eate textuelle est phon\u00e9tis\u00e9e et aussi repr\u00e9sent\u00e9e par un automate lexico-phon\u00e9tique. Un appariement plus ou moins imparfait est rendu possible en composant successivement la requ\u00eate, un transducteur d'\u00e9dition et l'index (section 2.2). Cette op\u00e9ration renvoie une liste de segments candidats qui peut \u00eatre filtr\u00e9e \u00e0 l'aide d'un vecteur de descripteurs qui pond\u00e8re chaque segment (section 2.3).", |
| "cite_spans": [ |
| { |
| "start": 123, |
| "end": 146, |
| "text": "(Allauzen et al., 2004)", |
| "ref_id": "BIBREF2" |
| } |
| ], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "M\u00e9thode propos\u00e9e", |
| "sec_num": "2" |
| }, |
| { |
| "text": "Dans cet article, un automate lexico-phon\u00e9tique d\u00e9signe simplement un automate \u00e0 \u00e9tats finis dont les symboles appartiennent soit \u00e0 un alphabet lexical \u03a3 l e x soit \u00e0 un alphabet phon\u00e9tique \u03a3 ph , et dont les poids sont multi-dimensionnels. L'automate peut ainsi avoir des chemins lexicaux et phon\u00e9tiques concurrents pond\u00e9r\u00e9s par un vecteur de descripteurs vari\u00e9s (e.g., voir figure 2). On d\u00e9finit l'automate sur le semi-anneau tropical de sorte que le poids d'un chemin soit la somme des poids de ses transitions et que le chemin le plus court soit celui de poids minimal. On peut toujours d\u00e9terminer ce chemin le plus court si les poids sont toujours comparables, i.e., s'ils sont totallement ordonn\u00e9s. C'est pr\u00e9cis\u00e9ment le cas lorsqu'on consid\u00e8re l'ordre lexicographique (aussi appel\u00e9 ordre alphab\u00e9tique) comme dans (Can et Saraclar, 2011) . Chaque transition correspond \u00e0 un symbole s (lexical ou phon\u00e9tique) reconnu entre les temps de d\u00e9but t d et de fin t f avec une mesure de confiance associ\u00e9 c. Le poids de la transition est le suivant :", |
| "cite_spans": [ |
| { |
| "start": 819, |
| "end": 842, |
| "text": "(Can et Saraclar, 2011)", |
| "ref_id": "BIBREF3" |
| } |
| ], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Automates lexico-phon\u00e9tiques", |
| "sec_num": "2.1" |
| }, |
| { |
| "text": "v = (0, 0, 0, 0, 0, w lex+ph con f = \u2212(t f \u2212 t d ).log(c)) o\u00f9 w le x+ph con f", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Automates lexico-phon\u00e9tiques", |
| "sec_num": "2.1" |
| }, |
| { |
| "text": "est un score de confiance commun aux niveaux lexical et phon\u00e9tique. Il est proportionnel \u00e0 la dur\u00e9e du symbole s pour que les chemins lexico-phon\u00e9tique concurrents ayant des nombres diff\u00e9rents de symboles soient comparables. L'automate ainsi construit est ensuite converti en un transducteur de facteurs acceptant toutes les sous-s\u00e9quences de l'automate en entr\u00e9e et donnant l'identifiant du segment de parole en sortie. L'index est constitu\u00e9 de l'union de tous les transducteurs de facteurs (Allauzen et al., 2004).", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Automates lexico-phon\u00e9tiques", |
| "sec_num": "2.1" |
| }, |
| { |
| "text": "automate lexico-phon\u00e9tique acceptant 4 chemins : 1 lexical (\"l' ena\"), 1 phon\u00e9tique (\"_l _E _n _a\"), et 2 lexico-phon\u00e9tiques (\"l' _E _n _a\" et \"_l ena\"). Les pond\u00e9rations sont de la forme (0, 0, 0, 0, 0, w lex+ph con f ). ", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "FIG. 2 -Exemple d'", |
| "sec_num": null |
| }, |
| { |
| "text": "Apr\u00e8s appariement et projection sur l'\u00e9tiquette de sortie, on obtient une liste de segments pond\u00e9r\u00e9s et ordonn\u00e9s suivant l'ordre lexicographique. Chaque segment candidat est ainsi associ\u00e9 \u00e0 un vecteur de 7 descripteurs : D\u00e9terminer si un segment est pertinent ou non \u00e0 partir de ces descripteurs se ram\u00e8ne \u00e0 un probl\u00e8me de classification binaire qui peut se r\u00e9soudre par une m\u00e9thode d'apprentissage quelconque (e.g., arbre de d\u00e9cision). La probabilit\u00e9 estim\u00e9e qu'un segment soit pertinent peut ensuite \u00eatre seuill\u00e9e suivant le compromis rappel-pr\u00e9cision recherch\u00e9.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Filtrage des segments candidats", |
| "sec_num": "2.3" |
| }, |
| { |
| "text": "(r", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Filtrage des segments candidats", |
| "sec_num": "2.3" |
| }, |
| { |
| "text": "Dans cette partie, nous d\u00e9taillons le protocole exp\u00e9rimental (section 3.1) permettant de mettre en oeuvre la m\u00e9thode propos\u00e9e \u00e0 travers deux exp\u00e9riences sur la compl\u00e9mentarit\u00e9 des repr\u00e9sentations lexicales et phon\u00e9tiques (section 3.2) et la recherche de segments de parole (section 3.3).", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Exp\u00e9riences", |
| "sec_num": "3" |
| }, |
| { |
| "text": "Les donn\u00e9es audio utilis\u00e9es pour les exp\u00e9riences rassemblent 6h d'\u00e9missions radiophoniques francophones (2h africa1, 2h tvme, 2h rfi) issues du corpus ESTER2 (Galliano et al., 2009) dont les transcriptions de r\u00e9f\u00e9rence sont annot\u00e9es manuellement en entit\u00e9s nomm\u00e9es. La RAP est r\u00e9alis\u00e9e par un syst\u00e8me de transcription \u00e0 large vocabulaire (65k mots) dont les taux d'erreurs par mot sur ce corpus varient de 16.0% \u00e0 42.2%. Les donn\u00e9es sont automatiquement d\u00e9compos\u00e9es en 3447 segments de parole. La liste des N meilleures hypoth\u00e8ses est r\u00e9ordonnanc\u00e9e gr\u00e2ce \u00e0 un \u00e9tiquetage morpho-syntaxique (Huet et al., 2010) . Le niveau lexical n'est constitu\u00e9 que de la meilleure hypoth\u00e8se de transcription. Le niveau phon\u00e9tique est obtenue en for\u00e7ant l'alignement entre le signal audio et la prononciation du niveau lexical. Les mesures de confiance lexicales et phon\u00e9tiques sont calcul\u00e9es \u00e0 partir des probabilit\u00e9s a posteriori et de l'entropie entre les diff\u00e9rentes hypoth\u00e8ses (Chen et al., 2006 . En plus des deux jeux de requ\u00eates IV (pour in-vocabulary) et OOV habituels, nous proposons un troisi\u00e8me jeu de requ\u00eates compos\u00e9es \u00e0 la fois de mots IV et OOV (e.g., pr\u00e9nom IV suivi du nom OOV). Ces requ\u00eates IV/OOV sont int\u00e9ressantes car elles repr\u00e9sentent un niveau de difficult\u00e9 interm\u00e9diaire (a priori plus difficile que les requ\u00eates IV mais moins que celles OOV) et sont plus fr\u00e9quentes que les requ\u00eates OOV. Le tableau 1 montre la r\u00e9partition des requ\u00eates utilis\u00e9es. La recherche de segments de parole est \u00e9valu\u00e9e en terme de MAP (mean average precision) correspondant \u00e0 l'aire sous la courbe rappel/pr\u00e9cision. ", |
| "cite_spans": [ |
| { |
| "start": 158, |
| "end": 181, |
| "text": "(Galliano et al., 2009)", |
| "ref_id": "BIBREF7" |
| }, |
| { |
| "start": 589, |
| "end": 608, |
| "text": "(Huet et al., 2010)", |
| "ref_id": "BIBREF9" |
| }, |
| { |
| "start": 965, |
| "end": 983, |
| "text": "(Chen et al., 2006", |
| "ref_id": "BIBREF5" |
| } |
| ], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Protocole exp\u00e9rimental", |
| "sec_num": "3.1" |
| }, |
| { |
| "text": "Le but de cette exp\u00e9rience est de comparer les recherches de segments de parole pour des index, des requ\u00eates, des appariements et des filtrages diff\u00e9rents. On distingue les recherches utilisant un index \"lexical\", un index \"phon\u00e9tique\", deux index \"cascad\u00e9s\" (m\u00e9thode de l'\u00e9tat de l'art qui consiste \u00e0 ne chercher dans l'index phon\u00e9tique que si la recherche lexicale n'a rien donn\u00e9) et un index \"hybride\" lexico-phon\u00e9tique. Les requ\u00eates peuvent \u00eatre IV, OOV et IV/OOV. L'appariement est parfait ou semi-imparfait. L'appariement imparfait a \u00e9t\u00e9 mis de c\u00f4t\u00e9 car il est trop gourmand en temps de calcul. Deux filtrages sont consid\u00e9r\u00e9s utilisant de simples seuillages soit sur le score de confiance lexico-phon\u00e9tique (f-conf) soit sur la probabilit\u00e9 estim\u00e9e de fa\u00e7on supervis\u00e9e par les arbres de d\u00e9cisions qui combinent les 7 descripteurs pr\u00e9sent\u00e9s pr\u00e9c\u00e9demment (f-super). La m\u00e9thode de r\u00e9f\u00e9rence correspond \u00e0 une recherche cascad\u00e9e dont l'appariement est parfait et dont le filtrage est bas\u00e9 sur un seuillage du score de confiance. Le tableau 3 rapporte les r\u00e9sultats obtenus. TAB. 3 -Evaluation en MAP de la recherche de segments de parole : m\u00e9thode de r\u00e9f\u00e9rence, meilleur que la r\u00e9f\u00e9rence, meilleur(s) r\u00e9sultat(s).", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Recherche de segments de parole", |
| "sec_num": "3.3" |
| }, |
| { |
| "text": "De mani\u00e8re g\u00e9n\u00e9rale, on remarque tout d'abord que la m\u00e9thode de r\u00e9f\u00e9rence peut facilement \u00eatre am\u00e9lior\u00e9e pour tous les types de requ\u00eates en utilisant un appariement semi-imparfait et un filtrage supervis\u00e9 (le filtrage sur le score de confiance n'est pas suffisant). Deuxi\u00e8mement, la recherche hybride (accompagn\u00e9e d'un filtrage supervis\u00e9) obtient des performances sup\u00e9rieures ou \u00e9quivalentes aux recherches lexicale et phon\u00e9tique, ce qui justifie la combinaison hybride.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Recherche de segments de parole", |
| "sec_num": "3.3" |
| }, |
| { |
| "text": "Plus sp\u00e9cifiquement, la recherche hybride obtient les meilleurs r\u00e9sultats pour les requ\u00eates IV. Pour les requ\u00eates OOV, les recherches phon\u00e9tiques, cascad\u00e9es et hybrides sont \u00e9quivalentes puisqu'elle ne font appel qu'au niveau phon\u00e9tique. Pour les requ\u00eates mixtes IV/OOV, il est surprenant de constater que la recherche phon\u00e9tique soit meilleure que celle hybride. Cela est d\u00fb au fait que le rang donne trop d'importance aux appariements lexicaux m\u00eame lorsque ceux-ci ne sont pas pertinents (mots mal reconnus ou mots tr\u00e8s fr\u00e9quents). Nous pensons que l'ajout d'un score tf*idf dans le vecteur de pond\u00e9ration et l'utilisation de meilleurs mesures de confiance pourront aider \u00e0 mieux g\u00e9rer ces cas.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Recherche de segments de parole", |
| "sec_num": "3.3" |
| }, |
| { |
| "text": "Finalement, la recherche hybride (avec un appariement semi-imparfait et un filtrage supervis\u00e9) offre les meilleures performances globales.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "Recherche de segments de parole", |
| "sec_num": "3.3" |
| }, |
| { |
| "text": "Travaux r\u00e9alis\u00e9s dans le cadre du programme QUAERO, financ\u00e9 par OSEO, agence fran\u00e7aise pour l'innovation.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "", |
| "sec_num": null |
| }, |
| { |
| "text": "http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/ 3 http://www.openfst.org/ 4 http://bonzaiboost.gforge.inria.fr/ 5 http://catalog.elra.info/product_info.php?products_id=760", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "", |
| "sec_num": null |
| }, |
| { |
| "text": "ConclusionNous avons pr\u00e9sent\u00e9 une m\u00e9thode d'indexation et de recherche de segments de parole repr\u00e9sent\u00e9s sous forme d'automates lexico-phon\u00e9tiques. Les r\u00e9sultats montrent la compl\u00e9mentarit\u00e9 des niveaux lexical et phon\u00e9tique (extraits de la meilleure hypoth\u00e8se de reconnaissance de la parole) et l'avantage d'un index hybride. L'utilisation d'un appariement semi-imparfait et d'un filtrage supervis\u00e9 (combinant des scores d'\u00e9dition et un score de confiance) permet d'am\u00e9liorer significativement la recherche en terme de MAP.", |
| "cite_spans": [], |
| "ref_spans": [], |
| "eq_spans": [], |
| "section": "", |
| "sec_num": null |
| } |
| ], |
| "back_matter": [], |
| "bib_entries": { |
| "BIBREF0": { |
| "ref_id": "b0", |
| "title": "On peut envisager une am\u00e9lioration du rappel par une meilleure adaptation des transducteurs d'appariement semi-imparfait et l'utilisation de repr\u00e9sentations plus denses", |
| "authors": [], |
| "year": null, |
| "venue": "N meilleures hypoth\u00e8ses", |
| "volume": "", |
| "issue": "", |
| "pages": "", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "En perspective, de nombreux aspects de la m\u00e9thode sont encore \u00e0 am\u00e9liorer. On peut envisager une am\u00e9lioration du rappel par une meilleure adaptation des transducteurs d'appariement semi-imparfait et l'utilisation de repr\u00e9sentations plus denses (e.g., N meilleures hypoth\u00e8ses) ;", |
| "links": null |
| }, |
| "BIBREF1": { |
| "ref_id": "b1", |
| "title": "mais aussi une am\u00e9lioration de la pr\u00e9cision en utilisant des mesures de confiance de meilleure qualit\u00e9", |
| "authors": [ |
| { |
| "first": "", |
| "middle": [], |
| "last": "Fayolle", |
| "suffix": "" |
| } |
| ], |
| "year": 2010, |
| "venue": "", |
| "volume": "", |
| "issue": "", |
| "pages": "", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "mais aussi une am\u00e9lioration de la pr\u00e9cision en utilisant des mesures de confiance de meilleure qualit\u00e9 (Fayolle et al., 2010) et en enrichissant le vecteur de descripteurs avec d'autres types d'informations (e.g., scores tf*idf).", |
| "links": null |
| }, |
| "BIBREF2": { |
| "ref_id": "b2", |
| "title": "General indexation of weighted automataapplication to spoken utterance retrieval", |
| "authors": [ |
| { |
| "first": "Allauzen", |
| "middle": [], |
| "last": "R\u00e9f\u00e9rences", |
| "suffix": "" |
| }, |
| { |
| "first": "C", |
| "middle": [], |
| "last": "Mohri", |
| "suffix": "" |
| }, |
| { |
| "first": "M", |
| "middle": [], |
| "last": "Saraclar", |
| "suffix": "" |
| }, |
| { |
| "first": "M", |
| "middle": [], |
| "last": "", |
| "suffix": "" |
| } |
| ], |
| "year": 2004, |
| "venue": "HLT/NAACL'04", |
| "volume": "", |
| "issue": "", |
| "pages": "33--40", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "R\u00e9f\u00e9rences ALLAUZEN, C., MOHRI, M. et SARACLAR, M. (2004). General indexation of weighted automata - application to spoken utterance retrieval. In HLT/NAACL'04, pages 33-40.", |
| "links": null |
| }, |
| "BIBREF3": { |
| "ref_id": "b3", |
| "title": "Lattice indexing for spoken term detection", |
| "authors": [ |
| { |
| "first": "D", |
| "middle": [], |
| "last": "Can", |
| "suffix": "" |
| }, |
| { |
| "first": "M", |
| "middle": [], |
| "last": "Saraclar", |
| "suffix": "" |
| } |
| ], |
| "year": 2011, |
| "venue": "IEEE Transactions on Audio, Speech & Language Processing", |
| "volume": "19", |
| "issue": "8", |
| "pages": "2338--2347", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "CAN, D. et SARACLAR, M. (2011). Lattice indexing for spoken term detection. IEEE Transactions on Audio, Speech & Language Processing, 19(8):2338-2347.", |
| "links": null |
| }, |
| "BIBREF4": { |
| "ref_id": "b4", |
| "title": "Retrieval and browsing of spoken content", |
| "authors": [ |
| { |
| "first": "C", |
| "middle": [], |
| "last": "Chelba", |
| "suffix": "" |
| }, |
| { |
| "first": "T", |
| "middle": [ |
| "J" |
| ], |
| "last": "Hazen", |
| "suffix": "" |
| }, |
| { |
| "first": "M", |
| "middle": [], |
| "last": "Sara\u00e7lar", |
| "suffix": "" |
| } |
| ], |
| "year": 2008, |
| "venue": "Signal Processing Magazine", |
| "volume": "25", |
| "issue": "3", |
| "pages": "39--49", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "CHELBA, C., HAZEN, T. J. et SARA\u00c7LAR, M. (2008). Retrieval and browsing of spoken content. Signal Processing Magazine, IEEE, 25(3):39-49.", |
| "links": null |
| }, |
| "BIBREF5": { |
| "ref_id": "b5", |
| "title": "On using entropy information to improve posterior probability-based confidence measures", |
| "authors": [ |
| { |
| "first": "T.-H", |
| "middle": [], |
| "last": "Chen", |
| "suffix": "" |
| }, |
| { |
| "first": "B", |
| "middle": [], |
| "last": "Chen", |
| "suffix": "" |
| }, |
| { |
| "first": "H.-M", |
| "middle": [], |
| "last": "Wang", |
| "suffix": "" |
| } |
| ], |
| "year": 2006, |
| "venue": "ISCSLP'06", |
| "volume": "", |
| "issue": "", |
| "pages": "454--463", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "CHEN, T.-H., CHEN, B. et WANG, H.-M. (2006). On using entropy information to improve posterior probability-based confidence measures. In ISCSLP'06, pages 454-463.", |
| "links": null |
| }, |
| "BIBREF6": { |
| "ref_id": "b6", |
| "title": "Crf-based combination of contextual features to improve a posteriori word-level confidence measures", |
| "authors": [ |
| { |
| "first": "J", |
| "middle": [], |
| "last": "Fayolle", |
| "suffix": "" |
| }, |
| { |
| "first": "F", |
| "middle": [], |
| "last": "Moreau", |
| "suffix": "" |
| }, |
| { |
| "first": "C", |
| "middle": [], |
| "last": "Raymond", |
| "suffix": "" |
| }, |
| { |
| "first": "G", |
| "middle": [], |
| "last": "Gravier", |
| "suffix": "" |
| }, |
| { |
| "first": "P", |
| "middle": [], |
| "last": "Gros", |
| "suffix": "" |
| } |
| ], |
| "year": 2010, |
| "venue": "Interspeech'10", |
| "volume": "", |
| "issue": "", |
| "pages": "", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "FAYOLLE, J., MOREAU, F., RAYMOND, C., GRAVIER, G. et GROS, P. (2010). Crf-based combination of contextual features to improve a posteriori word-level confidence measures. In Interspeech'10, Makuhari, Japan.", |
| "links": null |
| }, |
| "BIBREF7": { |
| "ref_id": "b7", |
| "title": "The ESTER 2 evaluation campaign for the rich transcription of French radio broadcasts", |
| "authors": [ |
| { |
| "first": "S", |
| "middle": [], |
| "last": "Galliano", |
| "suffix": "" |
| }, |
| { |
| "first": "G", |
| "middle": [], |
| "last": "Gravier", |
| "suffix": "" |
| }, |
| { |
| "first": "L", |
| "middle": [], |
| "last": "Chaubard", |
| "suffix": "" |
| } |
| ], |
| "year": 2009, |
| "venue": "Interspeech'09", |
| "volume": "", |
| "issue": "", |
| "pages": "2583--2586", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "GALLIANO, S., GRAVIER, G. et CHAUBARD, L. (2009). The ESTER 2 evaluation campaign for the rich transcription of French radio broadcasts. In Interspeech'09, pages 2583-2586.", |
| "links": null |
| }, |
| "BIBREF8": { |
| "ref_id": "b8", |
| "title": "Open-vocabulary spoken utterance retrieval using confusion neworks", |
| "authors": [ |
| { |
| "first": "T", |
| "middle": [], |
| "last": "Hori", |
| "suffix": "" |
| }, |
| { |
| "first": "I", |
| "middle": [ |
| "L" |
| ], |
| "last": "Hetherington", |
| "suffix": "" |
| }, |
| { |
| "first": "T", |
| "middle": [ |
| "J" |
| ], |
| "last": "Hazen", |
| "suffix": "" |
| }, |
| { |
| "first": "J", |
| "middle": [ |
| "R" |
| ], |
| "last": "Glass", |
| "suffix": "" |
| } |
| ], |
| "year": 2007, |
| "venue": "ICASSP'07", |
| "volume": "", |
| "issue": "", |
| "pages": "73--76", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "HORI, T., HETHERINGTON, I. L., HAZEN, T. J. et GLASS, J. R. (2007). Open-vocabulary spoken utterance retrieval using confusion neworks. In ICASSP'07, pages 73-76.", |
| "links": null |
| }, |
| "BIBREF9": { |
| "ref_id": "b9", |
| "title": "Morpho-syntactic post-processing of n-best lists for improved french automatic speech recognition", |
| "authors": [ |
| { |
| "first": "S", |
| "middle": [], |
| "last": "Huet", |
| "suffix": "" |
| }, |
| { |
| "first": "G", |
| "middle": [], |
| "last": "Gravier", |
| "suffix": "" |
| }, |
| { |
| "first": "P", |
| "middle": [], |
| "last": "S\u00e9billot", |
| "suffix": "" |
| } |
| ], |
| "year": 2010, |
| "venue": "Computer Speech and Language", |
| "volume": "", |
| "issue": "24", |
| "pages": "663--684", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "HUET, S., GRAVIER, G. et S\u00c9BILLOT, P. (2010). Morpho-syntactic post-processing of n-best lists for improved french automatic speech recognition. Computer Speech and Language, (24):663-684.", |
| "links": null |
| }, |
| "BIBREF10": { |
| "ref_id": "b10", |
| "title": "Edit-distance of weighted automata", |
| "authors": [ |
| { |
| "first": "M", |
| "middle": [], |
| "last": "Mohri", |
| "suffix": "" |
| } |
| ], |
| "year": 2002, |
| "venue": "CIAA'02", |
| "volume": "", |
| "issue": "", |
| "pages": "1--23", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "MOHRI, M. (2002). Edit-distance of weighted automata. In CIAA'02, pages 1-23. Springer Verlag.", |
| "links": null |
| }, |
| "BIBREF11": { |
| "ref_id": "b11", |
| "title": "Lattice-based search for spoken utterance retrieval", |
| "authors": [ |
| { |
| "first": "M", |
| "middle": [], |
| "last": "Saraclar", |
| "suffix": "" |
| }, |
| { |
| "first": "R", |
| "middle": [], |
| "last": "Sproat", |
| "suffix": "" |
| } |
| ], |
| "year": 2004, |
| "venue": "HLT-NAACL'04", |
| "volume": "", |
| "issue": "", |
| "pages": "129--136", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "SARACLAR, M. et SPROAT, R. (2004). Lattice-based search for spoken utterance retrieval. In HLT-NAACL'04, pages 129-136.", |
| "links": null |
| }, |
| "BIBREF12": { |
| "ref_id": "b12", |
| "title": "A hybrid-word/phoneme-based approach for improved vocabularyindependent search in spontaneous speech", |
| "authors": [ |
| { |
| "first": "P", |
| "middle": [], |
| "last": "Yu", |
| "suffix": "" |
| }, |
| { |
| "first": "F", |
| "middle": [], |
| "last": "Seide", |
| "suffix": "" |
| } |
| ], |
| "year": 2004, |
| "venue": "Interspeech'04", |
| "volume": "", |
| "issue": "", |
| "pages": "", |
| "other_ids": {}, |
| "num": null, |
| "urls": [], |
| "raw_text": "YU, P. et SEIDE, F. (2004). A hybrid-word/phoneme-based approach for improved vocabulary- independent search in spontaneous speech. In Interspeech'04, Korea, page 293296.", |
| "links": null |
| } |
| }, |
| "ref_entries": { |
| "TABREF0": { |
| "num": null, |
| "content": "<table><tr><td/><td colspan=\"2\">v = (w lex cor , w ph cor , w ph sup , w</td><td>ph ins , w</td><td>ph sub , 0)</td></tr><tr><td colspan=\"4\">qui comprend les nombres de mots corrects, de phon\u00e8mes corrects, et d'erreurs phon\u00e9tiques</td></tr><tr><td colspan=\"3\">(suppressions, insertions et substitutions).</td></tr><tr><td colspan=\"4\">Le transducteur d'appariement parfait n'a pour but que de compter les mots et phon\u00e8mes corrects.</td></tr><tr><td colspan=\"4\">Le compte des mots corrects vient en premier dans l'ordre lexicographique afin de privil\u00e9gier</td></tr><tr><td>a) E AP</td><td/><td/></tr><tr><td/><td/><td>(b) E AI</td></tr><tr><td/><td/><td/><td>(c) E ASI</td></tr><tr><td colspan=\"4\">FIG. 3 -Transducteurs d'\u00e9dition pour appariements lexico-phon\u00e9tiques parfait (a), imparfait (b)</td></tr><tr><td>e x cor , w ph cor , w ph sup , w</td><td>ph ins , w</td><td>ph sub , 0).</td></tr></table>", |
| "text": "L'appariement entre la requ\u00eate R et l'index I peut \u00eatre r\u00e9alis\u00e9 par la simple composition automatetransducteur R \u2022 I. Il est cependant possible d'obtenir un appariement plus flexible en utilisant un transducteur d'\u00e9dition E par la composition successive R \u2022 E \u2022 I(Mohri, 2002). Nous pr\u00e9sentons trois types de transducteurs d'\u00e9dition lexico-phon\u00e9tiques correspondant \u00e0 des appariements parfait, imparfait et semi-imparfait et calculant les scores d'\u00e9dition du vecteur", |
| "html": null, |
| "type_str": "table" |
| }, |
| "TABREF2": { |
| "num": null, |
| "content": "<table><tr><td>). Pour \u00e9viter les probl\u00e8mes d'appariement d\u00fbs aux flexions morphologiques, les mots sont lemmatis\u00e9s par l'outil TreeTagger 2 . Les automates ont \u00e9t\u00e9 impl\u00e9ment\u00e9s avec OpenFST 3 . Les tailles respectives des index lexical,</td></tr><tr><td>phon\u00e9tique et hybride sont de 9.9, 32.8 et 47.6 Mo.</td></tr><tr><td>Pour estimer la probabilit\u00e9 qu'un segment candidat soit pertinent \u00e9tant donn\u00e9 l'ensemble des descripteurs, on a utilis\u00e9 un bagging sur 20 arbres de d\u00e9cision (Bonzaiboost 4 ). L'\u00e9valuation se</td></tr><tr><td>fait suivant une validation crois\u00e9e sur 5 ensembles d'\u00e9chantillons : 80% pour l'apprentissage et</td></tr><tr><td>20% pour le test.</td></tr><tr><td>Les requ\u00eates sont exclusivement compos\u00e9es d'entit\u00e9s nomm\u00e9es extraites des transcriptions de</td></tr><tr><td>r\u00e9f\u00e9rence.</td></tr></table>", |
| "text": "Elles sont phon\u00e9tis\u00e9es gr\u00e2ce au lexique phon\u00e9tique ILPho 5 . Si le mot ne se trouve pas dans le lexique, de multiples prononciations sont g\u00e9n\u00e9r\u00e9es via le phon\u00e9tiseur Lia_phon 6", |
| "html": null, |
| "type_str": "table" |
| }, |
| "TABREF3": { |
| "num": null, |
| "content": "<table><tr><td>Cette exp\u00e9rience pr\u00e9liminaire consiste \u00e0 mesurer la qualit\u00e9 des repr\u00e9sentations lexicales et</td></tr><tr><td>phon\u00e9tiques ainsi que leur compl\u00e9mentarit\u00e9. En alignant, pour chaque segment de parole, les</td></tr><tr><td>automates lexico-phon\u00e9tiques d'hypoth\u00e8se et de r\u00e9f\u00e9rence \u00e0 l'aide d'un transducteur d'\u00e9dition</td></tr><tr><td>imparfait, il est possible d'obtenir le tableau 2 qui donnent les taux de symboles corrects pour les</td></tr><tr><td>termes IV et OOV composant les entit\u00e9s nomm\u00e9es. On utilise, d'une part, le niveau lexical sur les</td></tr><tr><td>zones correctement reconnues et, d'autre part, le niveau phon\u00e9tique sur les zones erron\u00e9es. On</td></tr><tr><td>constate que 73.</td></tr></table>", |
| "text": "89% des lemmes sont bien reconnus. Pour les lemmes mal reconnus, on peut heureusement se replier sur le niveau phon\u00e9tique dont 67.73% des phon\u00e8mes sont corrects. Cela montre bien que les niveaux lexical et phon\u00e9tique sont compl\u00e9mentaires et justifie donc leur combinaison pour rechercher des entit\u00e9s nomm\u00e9es.", |
| "html": null, |
| "type_str": "table" |
| }, |
| "TABREF4": { |
| "num": null, |
| "content": "<table><tr><td>6 http://www.atala.org/LIA-PHON #mots 1 2 IV 209 276 OOV 76 43 IV/OOV . 120 % lemmes 3 125 1 73 nomm\u00e9e dans la r\u00e9f\u00e9rence 73 4 . 29 IV 93.57 OOV 6.43 Tous 100.00 TAB. 2 -Appariement Parfait 5 29 . 11 % lemmes correct 6 7 8+ 24 16 18 . . . 8 4 2 sur les zones correctes 78.97 0.00 73.89 Index lex ph cas hyb lex IV f-conf .634 .577 .673 .577 .634 f-super .631 .646 .677 .681 .629 OOV f-conf .000 .036 .036 .036 .000 f-super .000 .053 .053 .053 .000 IV/OOV f-conf .000 .024 .024 .029 .000 f-super .000 .024 .024 .024 .000 Global f-conf .523 .479 .556 .478 .523 TAB. 1 -terme d'entit\u00e9 f-super .520 .540 .568 .570 .519</td><td>total 770 (68%) 120 (10%) 247 (22%) % phon\u00e8mes corrects sur les zones erron\u00e9es 67.34 68.54 67.73 Semi-Imparfait ph cas hyb .015 .047 .013 .693 .713 .729 .001 .001 .001 .139 .139 .139 .001 .001 .001 .256 .256 .250 .009 .015 .008 .610 .637 .650</td></tr></table>", |
| "text": "R\u00e9partition des requ\u00eates en fonction du type et de la longueur en nombre de mots. Compl\u00e9mentarit\u00e9 des repr\u00e9sentations lexicales et phon\u00e9tiques pour les entit\u00e9s nomm\u00e9es.", |
| "html": null, |
| "type_str": "table" |
| } |
| } |
| } |
| } |
