[论文解读] Hierarchical Classification for Spoken Arabic Dialect Identification using Prosody: Case of Algerian Dialects

Soumia Bougrine, Hadda Cherroun+1 more|arXiv (Cornell University)|Mar 29, 2017

Natural Language Processing Techniques参考文献 24被引用 7

一句话总结

该论文提出了一种分层深度学习框架（HADID），用于使用韵律特征进行口语阿尔及利亚方言识别。该方法采用自顶向下的分层分类，每个父节点使用深度神经网络（DNNs），基于语言学动机的方言层级结构，整体精确率达到62.8%，相比平坦分类方法提高了63.5%，证明了韵律特征与分层建模在低资源方言识别中的有效性。

ABSTRACT

In daily communications, Arabs use local dialects which are hard to identify automatically using conventional classification methods. The dialect identification challenging task becomes more complicated when dealing with an under-resourced dialects belonging to a same county/region. In this paper, we start by analyzing statistically Algerian dialects in order to capture their specificities related to prosody information which are extracted at utterance level after a coarse-grained consonant/vowel segmentation. According to these analysis findings, we propose a Hierarchical classification approach for spoken Arabic algerian Dialect IDentification (HADID). It takes advantage from the fact that dialects have an inherent property of naturally structured into hierarchy. Within HADID, a top-down hierarchical classification is applied, in which we use Deep Neural Networks (DNNs) method to build a local classifier for every parent node into the hierarchy dialect structure. Our framework is implemented and evaluated on Algerian Arabic dialects corpus. Whereas, the hierarchy dialect structure is deduced from historic and linguistic knowledges. The results reveal that within {\HD}, the best classifier is DNNs compared to Support Vector Machine. In addition, compared with a baseline Flat classification system, our HADID gives an improvement of 63.5% in term of precision. Furthermore, overall results evidence the suitability of our prosody-based HADID for speaker independent dialect identification while requiring less than 6s test utterances.

研究动机与目标

• 研究韵律特征在阿尔及利亚阿拉伯方言中的判别能力，这些特征常被声学/语音线索所忽视。
• 评估分层分类在提升方言识别准确率方面的有效性，特别是针对关系密切的方言。
• 探索在低资源环境下，利用分层结构，使用深度神经网络（DNNs）建模方言的可行性。
• 开发一种鲁棒的、与说话人无关的系统，能够在短语音（<6秒）下实现准确的方言识别。

提出的方法

• 对语音进行粗粒度的辅音/元音分割，以提取逐句的韵律特征。
• 通过统计分析识别出能区分阿尔及利亚方言的韵律特征，作为特征选择的基础。
• 从历史和语言学研究中推导出预定义的方言层级结构，将方言组织为区域和次区域集群。
• 实施自顶向下的分层分类，为层级结构中的每个父节点训练基于DNN的局部分类器。
• 系统采用两阶段流程：首先进行区域方言分类；然后在每个区域组内进行次方言分类。
• 使用1,892个语音样本的语料库进行5折交叉验证，每个语音样本约6秒长。

实验结果

研究问题

• RQ1 在低资源环境下，韵律特征能否有效区分阿尔及利亚阿拉伯方言？
• RQ2 与平坦分类相比，分层分类是否能提高方言识别的准确率，特别是针对关系密切的方言？
• RQ3 在分层方言识别中，深度神经网络（DNN）的性能与SVM等传统分类器相比如何？
• RQ4 分层结构在多大程度上减少了误分类错误，特别是针对具有混合语言起源的方言？

主要发现

• HADID系统在完整方言识别任务中达到62.8%的精确率，显著优于平坦基线系统（仅38.4%精确率）。
• HADID相比平坦分类系统在精确率上提升了63.5%，证明了分层建模的优势。
• 基于DNN的HADID系统在整体精确率上比HADID-SVM变体高出7.1个百分点，凸显了深度学习在此情境下的优越性。
• HADID中表现最佳的方言为Ma’qilian（87%精确率）和Sulaymite（72%精确率），而UCB方言表现最差（44%精确率），原因在于其混合的语言影响。
• 分层结构减少了UCB方言被误分类为其他贝都因方言的可能性，表明结构优化可进一步提升性能。
• 该系统在短语音下依然有效，仅需少于6秒的语音，适用于实时应用。