þekking Discovery
/ Knowledge Discovery >> þekking Discovery >> tækni >> tölva >> internet >> vefhönnun þróun >>

Expert Stuff: Googles Mike Cohen

ætti ræðu merki. Fyrsta stykki er kallað Acoustic fyrirmynd, og í rauninni hvað sem er er, a fyrirmynd allra helstu hljóð tungumálsins.
Hvað nákvæmlega er hljóðeinangrun líkan?

Þannig að við erum að byggja upp hljóðeinangrun fyrirmynd bandaríska ensku, og við höfum líkan fyrir " Ah, " og " uh, " og " buh, " og " tuh, " og " mm, " og " NN " og svo framvegis og svo framvegis fyrir allar helstu hljóð tungumálsins. Reyndar, það er svolítið flóknara en það vegna þess að það kemur í ljós - að " AA " hljóð á ensku. &Quot; AA " í eftirlæti " stærðfræði, " móti " AA " í eftirlæti ". bankaðu " Þeir framleiða eitthvað öðruvísi, og þeir hljóð svolítið öðruvísi, og svo þurfum við í raun mismunandi líkön fyrir " AA " hljóð, hvort sem það er í kjölfar M móti eftirfarandi t. framleiðslu á þeim grundvallar hljóðum eða phonemes breytilegt eftir samhengi

Við höfum margar, margar gerðir fyrir ". AA " hljóð, og það er öðruvísi fyrirmynd ef forveri er " mm " móti " tuh, " til dæmis. Svo er það fyrsta stykki af líkaninu, hljóðeinangrun líkan, fyrirmynd að öll grundvallar hljóð eru gefin samhengi þeirra.
Hvað annað sem þú þarft fyrir utan hljóðeinangrun líkan?

Í næsta hluta af líkan er kallað Lexicon, orðabók. Og hvað það er, er skýring fyrir öll orðin í tungumáli hvernig þeir fá áberandi. Með öðrum orðum, sem grundvallaratriði hljóð við band saman, eða jafnvel hvert þeirra hljóðeinangrun líkan við string saman til að búa til orð. Svo til dæmis, að Lexicon hefði upplýsingar eins og, þú veist, þú gætir sagt, " eh-conomics " eða " EE-conomics " á ensku og þeir eru báðir gild leiðir - eða dæmigerður leiðir - af borin orðið ". Economics "

Í þriðja stykki af líkaninu er fyrirmynd hvernig við setjum orð saman í setningar og setningar á tungumáli. Allt eru þetta tölfræðileg módel, og svo til dæmis, þetta líkan, þó það sé að handtaka, eiginlega, málfræði þvingun í tungumálinu, það er að gera það í tölfræðilegum hætti miðað brjósti það mikið af gögnum. Svo til dæmis, að líkanið gæti lært að ef Recognizer telur það viðurkennt bara " hundinn " og nú er að reyna að reikna út hvað næsta orðið er, getur það vita að " hljóp " er líklegra en " pönnu " eða " getur " sem næsta orð bara vegna þess h

Page [1] [2] [3] [4] [5] [6]