Modelos de temas de palabras para la recuperación y transcripción de documentos hablados

El modelado estadístico del lenguaje (LM), que tiene como objetivo capturar las regularidades en el lenguaje natural humano y cuantificar la aceptabilidad de una secuencia dada de palabras, ha sido durante mucho tiempo un tema de investigación interesante pero desafiante en la comunidad de procesamiento del habla y el lenguaje. También se ha introducido en problemas de recuperación de información (IR), y ha proporcionado un marco probabilístico efectivo y teóricamente atractivo para construir sistemas de IR. En este artículo, proponemos un modelo de tema de palabras (WTM) para explorar la relación de co-ocurrencia entre palabras, así como la información temática latente de largo alcance, para el modelado del lenguaje en la recuperación y transcripción de documentos hablados. El documento o el historial de búsqueda en su conjunto se modela como un modelo WTM compuesto para generar una nueva palabra observada. Las características subyacentes y los diferentes tipos de estructuras de modelo se investigan ampliamente, mientras que el rendimiento de WTM se analiza y verifica a fondo mediante comparación con el conocido modelo de análisis semántico latente probabilístico (PLSA) así como con otros modelos. Los experimentos de IR se realizan en las colecciones chinas de TDT (TDT-2 y TDT-3), mientras que los experimentos de reconocimiento de voz continua de vocabulario amplio (LVCSR) se llevan a cabo en las noticias de transmisión en mandarín recopiladas en Taiwán. Los resultados experimentales parecen indicar que WTM es una alternativa prometedora a los modelos existentes.