Détection et caractérisation des régions d’erreurs dans des transcriptions de contenus multimédia : application à la recherche des noms de personnes (Error region detection and characterization in transcriptions of multimedia documents : application to person name search) [in French]

Actes de la conférence conjointe JEP-TALN-RECITAL 2012, volume 1: JEP, pages 811–818, Grenoble, 4 au 8 juin 2012. c ⃝2012 ATALA & AFCP Détection et caractérisation des régions d’erreurs dans des transcriptions de contenus multimédia : application à la recherche des noms de personnes Richard Dufour Géraldine Damnati Delphine Charlet France Telecom R&D - Orange Labs, 2, av. Pierre Marzin 22307 Lannion prénom.nom@orange.com RÉSUMÉ Dans cet article, nous proposons de détecter et de caractériser des régions d’erreurs dans des transcriptions automatiques de contenus multimédia. La détection et la caractérisation simultanée des régions d’erreurs peut être vue comme une tâche d’étiquetage de séquences pour laquelle nous comparons des approches séquentielles (segmentation puis classification) et une approche intégrée. Nous comparons les performances de notre système sur deux corpus différents en faisant varier les données d’apprentissage. Nous nous intéressons particulièrement aux erreurs des noms de personnes, information essentielle dans de nombreuses applications d’extraction d’information. Les résultats obtenus confirment l’intérêt d’une méthode à base d’apprentissage exploitant le contexte d’apparition des erreurs. ABSTRACT Error region detection and characterization in transcriptions of multimedia documents : application to person name search In this article, we propose to detect and characterize error regions in automatic transcriptions of multimedia documents. The simultaneous detection and characterization could be seen as a sequence labeling task where we compare sequential approaches (segmentation then classification) and an integrated one. We compare our system performance on two different corpus by varying training data. We are particularly interested in person name errors, essential information in various information extraction applications. Results confirm the interest for learning-based method using the apparition context of errors. MOTS-CLÉS : régions d’erreurs, caractérisation des erreurs, transcription automatique, classifi- cation automatique, noms propres. KEYWORDS: error regions, error characterization, automatic transcription, automatic classifica- tion, person names. 1 Introduction Dans le cadre de la reconnaissance de la parole continue à grand vocabulaire, les systèmes de reconnaissance automatique de la parole (RAP) peuvent actuellement fournir des transcriptions avec un bon niveau de performance, permettant leur intégration dans de nombreuses applications. Cependant, les erreurs de transcription de ces systèmes sont inévitables, ce qui représente toujours un problème pour certains domaines, tel que l’extraction automatique d’information dans des 811 documents multimédia. Dans cet article, l’objectif est d’identifier et de caractériser les erreurs dans les transcriptions automatiques. Pour ce faire, nous ne considérons pas simplement ces erreurs de manière isolée mais nous cherchons à détecter et caractériser des régions d’erreurs (i.e. des regroupements d’erreurs consécutives). Traditionnellement, la détection d’erreurs est conduite au travers de la définition des mesures de confiance (MC) représentant la probabilité qu’un mot soit correct. Appliquer un seuil sur ce score permet au système d’être réglé à un point de fonctionnement donné pouvant être choisi en fonction du contexte d’application (choix entre rappel ou précision élevés). Les MC peuvent être vues comme des classifieurs binaires permettant de séparer les mots en corrects/incorrects, leur performance est généralement évaluée en fonction de leur capacité à retrouver les mots corrects. Cependant, lorsque le taux d’erreur-mots est bas, cette …

Content truncated to 500 words