中文新闻广播故事自动分割：子词链方法

"基于子词链的中文新闻广播故事自动分割方法通过利用中文语言的特点，如同音异形字多、词典开放、分词多样和组词灵活，解决了传统词链方法在处理语音识别错误时遇到的问题。该方法在语音识别抄本上构建子词链，对新闻广播故事进行自动分割，提高了故事分割的性能。实验表明，这种方法在TDT2中文标准新闻广播语料库上的F-measure指标有显著提升，证明了其有效性。" 本文提出了一种创新的中文新闻广播故事自动分割技术，它主要针对语音识别错误导致的传统词链方法中的问题。在中文环境中，由于语言的复杂性，比如存在大量同音异形字，词典可能无法涵盖所有词汇，而且分词方式多样，这为故事分割带来了挑战。为了解决这些问题，该方法引入了子词链的概念，以汉字和音节作为基本的子词单元，构建了一个更灵活的结构。 在语音识别抄本的基础上，通过子词链，文章能够更好地处理识别错误，尤其是那些词典未收录的词汇。子词链允许在关联词之间建立连接，即使这些词在识别过程中出现了错误。此外，文章还强调了不同级别的词汇表示单元（如词和子词）之间的互补性，利用词的语义确定性和子词对识别错误的鲁棒性，通过融合不同级别的信息来优化分割效果。 实验部分展示了这种方法的优越性。在TDT2中文标准新闻广播语料库上进行的比较显示，基于一元汉字子词链的分割方法在F-measure上相比于传统词链方法提高了6.06%。进一步将一元和二元汉字子词链的边界强度融合后，F-measure又提升了2.55%。采用投票法的融合策略使F-measure相对于传统方法提高了9.04%，显示出显著的性能提升。 基于子词链的中文新闻广播故事自动分割技术是一种有效的解决方案，它可以改善语音识别后的新闻内容分割，尤其在处理未收录词汇和识别误差的情况下。这项工作对于提高信息检索和语音文件检索的准确性和效率具有重要意义，对于多媒体信息检索和语音与语言处理领域的研究提供了有价值的参考。