イラストで学ぶ音声認識 12章

12. 意味・意図の解析 12.1 意味表現とは 12.2 規則による意味解析処理 12.3 統計的な意味解析処理 12.4 スマートフォンでの音声サービス ニューラルネットワークによる意味解析 • 荒木雅弘 :『イラストで学ぶ音声認識』 （講談社, 2015年） • サポートページ

• https://masahiroaraki.github.io/GuideToASR/

12.1 意味表現とは • 意味表現の必要性 • 音声対話システムが応答・動作するためには、入力音声を機械可読な表現 に変換する必要がある • 意味表現の構成 • 発話タイプ • ユーザの意図に対応 • マルチドメインシステムの場合は、ドメインを 特定する情報も含む • スロット情報 • 発話タイプに応じてスロットの組み合わせが決まる これらを合わせて 意味フレームとよぶ 例） [ask_weather, location =京都, day = 明日]

12.1 意味表現とは • 検索言語による意味表現と検索実行

12.2 規則による意味解析処理 • 規則による意味解析の適用範囲 • 小語彙の音声対話システム • ユーザの入力発話が比較的定型的である場合 • 文法規則への意味表現生成規則の組み込み • 例）$文 → $表示 | $設定 | $検索 $検索 → $手段 で 検索 {[search, method=rules.latest()]} $手段 → 住所 {address} | 名称 {name} | 履歴 {history} • 構文木の葉から順に意味表現を組み上げてゆき、$文 に対応する意味 表現が出力となる

12.2 規則による意味解析処理

12.3 統計的な意味解析処理 • 統計的意味解析 • 生成モデルによる解法 • 意味表現をフラット化（コンセプト列による表現） • 発話タイプとスロット名を出現順に並べる • 例）「自宅に設定」→ M=[location, set_direction] コンセプトと単語 列の対応の確率 コンセプト列の N-グラム

12.3 統計的な意味解析処理 • 識別モデルによる解法 • 系列ラベリングによるコンセプトの抽出 • 例）O B-Loc B-Loc I-Loc O B-Loc I-Loc O O えっと 京都 京都 駅 から 東京 駅 O B-Tic B-Num O まで ください あ 自由席 ２枚 • 単語列から、事後確率最大のラベル列を求める です

12.3 統計的な意味解析処理

12.4 スマートフォンでの音声サービス • スマートフォンでの音声インタフェースの実現例 • 入力音声を端末側で特徴ベクトル系列に変換 • 特徴ベクトル系列をクラウド上の音声認識サーバに送信し、認識結果を 得る • 認識結果をクラウド上の意味解析サーバに送信し、意味表現を得る • アプリへのコマンドであれば、アプリを起動し、操作を実行 • 検索等、専門エンジンへの入力であれば、各エンジンの対話インタ フェースを呼び出す

12.4 スマートフォンでの音声サービス • 「参照の揺れ」の問題 • 検索対象に対して、略語・通称など、正式名称以外で参照された場合で も対象を特定する必要がある • 検索エンジンのログから確率モデルを作成する方法が有効

ニューラルネットワークによる意味解析 • Encoder-Decoderネットワークによる系列変換 [Kurata+ 2016] O O O O O B-toCity LSTM LSTM LSTM LSTM LSTM LSTM Emb Emb Emb Emb Emb Emb I need a ticket to Seattle