2.2. Confidence Baseline A common ap

2.2. Confidence Baseline
A common approach to improve NER performance on speech is to incorporate a confidence estimate for predicting decoding errors (such as those caused by OOVs) [3, 4] . Therefore, we compare our app roach with both a baseline NER featu resetde- scribed in Section 2.1, and with an additional confidence esti- mat e baseline (Figure 1.) The confidence baseline uses the features of Sudoh et al. [4] to create a CRF error predictor: the decoded word, POS tag, and posterior probability, as well as these features from a ±2 word window. This system shows superior error detection performance to only using the word posterior probability. The training data was obtained from a standard word-based LVCSR system whose errors are known by aligning with the reference transcription. The probability of error, provided by the CRF error predictor, was quantized into 10 bins generating binary features (errordet).

Kết quả (Việt) 1:

2.2. Confidence đường cơ sở Một phương pháp phổ biến để cải thiện hiệu suất NER trên bài phát biểu là để kết hợp một ước tính confidence cho dự đoán giải mã lỗi (chẳng hạn như những người gây ra bởi OOVs) [3, 4]. Vì vậy, chúng tôi so sánh chúng tôi roach app với cả hai là một đường cơ sở NER có resetde-scribed trong phần 2.1, và với một đường cơ sở esti-mat e bổ sung confidence (hình 1). Đường cơ sở confidence sử dụng các tính năng của Sudoh et al. [4] để tạo ra một dự báo lỗi CRF: từ decoded, thẻ POS, và xác suất hậu nghiệm, cũng như các tính năng từ một cửa sổ từ ±2. Hệ thống này cho thấy hiệu suất phát hiện lỗi cấp trên để chỉ sử dụng xác suất hậu nghiệm từ. Đào tạo dữ liệu nhận được từ một tiêu chuẩn dựa trên từ LVCSR hệ thống lỗi mà được biết đến bằng việc xếp thẳng với sao chép tài liệu tham khảo. Xác suất của lỗi, được cung cấp bởi dự báo lỗi CRF, bước vào thùng 10 tạo ra tính năng nhị phân (errordet).