Discriminative statistical approaches for multilingual speech understanding (Approches statistiques discriminantes pour l’interprétation sémantique multilingue de la parole) [in French]

Approches statistiques discriminantes pour l’interprétation sémantique multilingue de la parole Bassam Jabaian1, Fabrice Lefèvre1, Laurent Besacier2 (1) LIA, Université d’Avignon et des Pays de Vaucluse, Avignon, France (2) LIG, Université Joseph Fourrier, Grenoble, France RÉSUMÉ Les approches statistiques sont maintenant très répandues dans les différentes appli- cations du traitement automatique de la langue et le choix d’une approche particulière dépend généralement de la tâche visée. Dans le cadre de l’interprétation sémantique multilingue, cet article présente une comparaison entre les méthodes utilisées pour la traduction automatique et celles utilisées pour la compréhension de la parole. Cette comparaison permet de proposer une approche unifiée afin de réaliser un décodage conjoint qui à la fois traduit une phrase et lui attribue ses étiquettes sémantiques. Ce décodage est obtenu par une approche à base de transducteurs à états finis qui permet de composer un graphe de traduction avec un graphe de compréhension. Cette représentation peut être généralisée pour permettre des transmissions d’informations riches entre les composants d’un système d’interaction vocale homme-machine. ABSTRACT Discriminative statistical approaches for multilingual speech understanding Statistical approaches are now widespread in the various applications of natural language processing and the elicitation of an approach usually depends on the targeted task. This paper presents a comparison between the methods used for machine translation and speech understanding. This comparison allows to propose a unified approach to perform a joint decoding which translates a sentence and assign semantic tags to the translation at the same time. This decoding is achieved through a finite-state transducer approach which allows to compose a translation graph with an understanding graph. This representation can be generalized to allow the rich transmission of information between the components of a human-machine vocal interface. MOTS-CLÉS : compréhension multilingue, système de dialogue, CRF, graphes d’hypothèses. KEYWORDS: multilingual understanding, dialogue system, CRF, hypothesis graphs. 1 Introduction Aujourd’hui, les approches statistiques sont très utilisées pour toutes les applications du traitement automatique de la langue (reconnaissance de la parole, traduction automatique, TALN-RÉCITAL 2013, 17-21 Juin, Les Sables d’Olonne 90 c￿ ATALA analyse syntaxique, étiquetage sémantique...). La performance d’une approche particulière dépend énormément de la tâche à laquelle elle est appliquée. Et, selon les tâches, les approches permettant les meilleures performances ne sont pas toujours les mêmes. Par exemple, pour une tâche de compréhension de la parole (Spoken Language Understanding, SLU), assimilable à un étiquetage séquentiel en concepts, les champs aléatoires conditionnels (Conditional Random Fields, CRF) (Lafferty et al., 2001) utilisés dans leur version chaîne linéaire sont les plus performants (Hahn et al., 2010). Alors que pour la traduction automa- tique, ce sont les modèles de traduction log-linéaires à base de segments sous-phrastiques (Log-linear Phrase-Based Statistical Machine Translation, LLPB-SMT) (Koehn et al., 2003), qui sont le plus souvent utilisés. Cependant, malgré les différences entre les approches statistiques, celles-ci présentent des points communs et les frontières entre les unes et les autres ont tendance à s’estomper. On voit, par exemple, des travaux autour de l’utilisation d’approches discriminantes de type CRF pour la traduction automatique (Och et Ney, …

Content truncated to 500 words