Original title: Mining of Textual Data from the Web for Speech Recognition
Translated title: Mining of Textual Data from the Web for Speech Recognition
Authors: Kubalík, Jakub ; Plchot, Oldřich (referee) ; Mikolov, Tomáš (advisor)
Document type: Master’s theses
Year: 2010
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Prvotním cílem tohoto projektu bylo prostudovat problematiku jazykového modelování pro rozpoznávání řeči a techniky pro získávání textových dat z Webu. Text představuje základní techniky rozpoznávání řeči a detailněji popisuje jazykové modely založené na statistických metodách. Zvláště se práce zabývá kriterii pro vyhodnocení kvality jazykových modelů a systémů pro rozpoznávání řeči. Text dále popisuje modely a techniky dolování dat, zvláště vyhledávání informací. Dále jsou představeny problémy spojené se získávání dat z webu, a v kontrastu s tím je představen vyhledávač Google. Součástí projektu byl návrh a implementace systému pro získávání textu z webu, jehož detailnímu popisu je věnována náležitá pozornost. Nicméně, hlavním cílem práce bylo ověřit, zda data získaná z Webu mohou mít nějaký přínos pro rozpoznávání řeči. Popsané techniky se tak snaží najít optimální způsob, jak data získaná z Webu použít pro zlepšení ukázkových jazykových modelů, ale i modelů nasazených v reálných rozpoznávacích systémech. The preliminary goals of this project were to get familiar with language modeling for speech recognition and techniques for acquisition of text data from the Web. Speech recognition techniques are introduced and statistical language modeling is described in detail. The text also covers mining models and techniques, information retrieval especially. Specific problems of Web mining are discussed and Google search is introduced. Special attention was paid to detailed description of implementation of the text mining system. However, the main goal of this work was to determine, whether the data acquired from the Web can provide some improvement into the recognition systems. The text is describing experiments, which use the retrieved Web data to update sample language models.
Keywords: Anotační data; Apriorní pravděpodobnost; Bayesova teorie pravděpodobnosti; Dolování dat; Dolování textu; Dolování webu; Entropie; Google PageRank; Jazykový model; Klasifikace do ekvivalentních tříd; Korpus; Lineární interpolace; N-gram; Perplexity; Podíl OOV slov; Rozpoznávání spojité řeči s velkým slovníkem; Rozpoznávání řeči; Smoothing; TF-IDF váha; Vyhledávání informací; Word Error Rate; A-priori probability; Annotation data; Bayes' probability theory; Corpus; Cross-entropy; Data mining; Entropy; Equivalence classification; Google's PageRank; Information retrieval; Information Theory; Language model; Large Vocabulary Continuous Speech Recognition (LVCSR); Linear Interpolation; N-gram; Out of Vocabulary rate; Perplexity; Smoothing; Speech recognition; Text mining; TF-IDF; Web mining; Word Error Rate

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/54313

Permalink: http://www.nusl.cz/ntk/nusl-237170


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses