基于LSTM RNNLM的N-best重打分算法

• 作者: 屈丹 张文林 李华 范正光
• 来源期刊: 信息工程大学学报
• 学科: 工学
• 关键词: LSTM 递归神经网络 语言模型 N-best重打分
• 年，卷（期）: 2017,（4）
• 所属期刊栏目: 信息处理技术
• 页码范围: 419-425
• 页数: 7页
• 分类号: TP391
• 字数: 6517字
• 语种: 中文
• DOI: 10.3969/j.issn.1671-0673.2017.04.008

摘要

首先采用长短时记忆单元替换递归神经网络隐含层中的神经元,避免梯度消失问题.其次将LSTM RNNLM应用在二次解码过程中.在语音解码时,递归神经网络语言模型使Lattice的扩展次数过多,导致搜索空间太大而影响搜索速度,因此Lattice不适宜引入高级语言模型进行重打分.相比之下,N-best的线性结构更适合引入包含长距离信息的模型,因此采用N-best进行LSTM RNNLM重打分,并对识别结果进行重排序.最后在Penn Treebank语料库和WSJ语料库上分别进行困惑度和连续语音识别实验.实验表明该方法有效降低语言模型的困惑度,提高连续语音识别系统的性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张文林		16	77	5.0	8.0
2	屈丹		23	52	4.0	6.0
3	李华		1	5	1.0	1.0
4	范正光		2	5	1.0	2.0