Classification automatique pour la compréhension de la parole : vers des systèmes semi-supervisés et auto-évolutifs

Machine learning applied to speech language understanding : towards semi-supervised and self-evolving systems

• Auteur / Autrice : Pierre Gotab
• Direction : Frédéric Béchet, Georges Linarès
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 04/12/2012
• Etablissement(s) : Avignon
• Ecole(s) doctorale(s) : École doctorale Sciences et agrosciences (Avignon)
• Jury : Président / Présidente : Fabrice Lefèvre
• Jury : Examinateurs / Examinatrices : Géraldine Damnati, Benoît Favre, Jean-Jacques Schneider
• Jury : Rapporteur / Rapporteuse : Yannick Estève, Guillaume Gravier

Mots clés

Mots clés contrôlés

Reconnaissance automatique de la parole

Mots clés libres

Compréhension de la parole

Apprentissage automatique

Apprentissage semi-supervisé

Apprentissage en ligne

Self-training

Co-training

Active-learning

Oracle partiel

Lazy perceptron

Speech language

Understanding

Machine learning

Semi-supervised learning

Self-training

Co-training

Active-learning

Lazy oracle

Lazy perceptron

Résumé

La compréhension automatique de la parole est au confluent des deux grands domaines que sont la reconnaissance automatique de la parole et l'apprentissage automatique. Un des problèmes majeurs dans ce domaine est l'obtention d'un corpus de données conséquent afin d'obtenir des modèles statistiques performants. Les corpus de parole pour entraîner des modèles de compréhension nécessitent une intervention humaine importante, notamment dans les tâches de transcription et d'annotation sémantique. Leur coût de production est élevé et c'est la raison pour laquelle ils sont disponibles en quantité limitée.Cette thèse vise principalement à réduire ce besoin d'intervention humaine de deux façons : d'une part en réduisant la quantité de corpus annoté nécessaire à l'obtention d'un modèle grâce à des techniques d'apprentissage semi-supervisé (Self-Training, Co-Training et Active-Learning) ; et d'autre part en tirant parti des réponses de l'utilisateur du système pour améliorer le modèle de compréhension.Ce dernier point touche à un second problème rencontré par les systèmes de compréhension automatique de la parole et adressé par cette thèse : le besoin d'adapter régulièrement leurs modèles aux variations de comportement des utilisateurs ou aux modifications de l'offre de services du système

Two wide research fields named Speech Recognition and Machine Learning meet with the Automatic Speech Language Understanding. One of the main problems in this domain is to obtain a sufficient corpus to train an efficient statistical model. Such speech corpora need a lot of human involvement to transcript and semantically annotate them. Their production cost is therefore quite high and they are difficultly available.This thesis mainly aims at reducing the need of human intervention in two ways: firstly, reducing the amount of corpus needed to build a model thanks to some semi-supervised learning methods (Self-Training, Co-Training and Active-Learning); And lastly, using the answers of the system end-user to improve the comprehension model.This last point addresses another problem related to automatic speech understanding systems: the need to adapt their models to the fluctuation of end-user habits or to the modification of the services list offered by the system