文档名：自动构建基于电视剧字幕和剧本的日常会话基础标注库
真实人类对话数据量不足已经成为限制数据驱动的对话生成系统性能提升的主要因素,尤其是汉语语料.为了获得丰富的日常会话语料,可以利用字幕时间戳信息把英语电视剧的英语字幕及其对应的汉语字幕进行同步,从而生成了大量的汉英双语同步字幕.然后通过信息检索的方法把双语同步字幕的英文句子跟英语剧本的演员台词进行自动对齐,从而将剧本中的场景和说话者信息映射到双语字幕中,最后得到含有场景及说话者标注的汉英双语日常会话库.利用这种方法,自动构建了包含978,109对双语话语消息的接近人类日常会话的多轮会话数据库CEDAC.经过抽样分析,场景边界的标注准确率达到97.0％,而说话者的标注准确率也达到91.57％.该标注库为后续进行影视剧字幕说话者自动标注和多轮会话自动生成研究打下了很好的基础.
作者：梁宇海 周强
作者单位：北京邮电大学,北京100876清华大学信息技术研究院语音和语言技术中心,北京信息科学与技术国家研究中心,北京100084
母体文献：第十八届中国计算语言学大会暨中国中文信息学会2019学术年会论文集
会议名称：第十八届中国计算语言学大会暨中国中文信息学会2019学术年会
会议时间：2019年10月18日
会议地点：昆明
主办单位：中国中文信息学会
语种：chi
分类号：
关键词：日常会话标注库 双语字幕 时间戳信息 自动对齐
在线出版日期：2021年8月24日
基金项目：
相似文献
相关博文
- 文件大小:
- 1.15 MB
- 下载次数:
- 60
-
高速下载
|
|
