Acceso usuarios
, Verónica López Ludeña, Rubén San Segundo Hernández
Presentamos una estrategia de agrupamiento de elementos de diálogo, de tipo semántico y discursivo. Empleando Latent Semantic Analysis (LSA) agrupamos los diferentes elementos de acuerdo a un criterio de distancia basado en correlación. Tras seleccionar un conjunto de grupos que forman una partición del espacio semántico o discursivo considerado, entrenamos unos modelos de lenguaje estocásticos (LM) asociados a cada modelo. Dichos modelos se emplearán en la adaptación dinámica del modelo de lenguaje empleado por el reconocedor de habla incluido en un sistema de diálogo. Mediante el empleo de información de diálogo (las probabilidades a posteriori que el gestor de diálogo asigna a cada elemento de diálogo en cada turno), estimamos los pesos de interpolación correspondientes a cada LM. Los experimentos iniciales muestran una reducción de la tasa de error de palabra al emplear la información obtenida a partir de una frase para reestimar la misma frase.
In this paper we present an approach for clustering dialogue items, both semantic and discursive. We use Latent Semantic Analysis (LSA) to cluster the different dialogue items according to a correlation-based distance. After building a set of groups that make up a partition of the semantic or discursive space, we train a stochastic Language Model (LM) for each group. We use these LM to dynamically adapt the language model used by a speech recognition module included in a Spoken Dialogue System. We use dialogue-based information (namely, the posterior probabilities of the dialogue items that our Dialogue Manager estimates on each dialogue turn) to automatically estimate the interpolation weights among LM. The initial evaluation shows a reduction of the word error rate when using the information of an utterance to rescore the same utterance.
