TWI321313B - Apparatus and method to reduce recognization errors through context relations among dialogue turns - Google Patents

Description

1321313 九、發明說明： 【發明所屬之技術領域】 本發明係關於一種透過對話回合(dialogue turn)間内 文(context)關係來減少辨識錯誤的裝置與方法。 【先前技術】 自動語音辨識(Automatic Speech Recognition，ASR) 中，如何減少辨識錯誤(recognition error)是一個很重要的 問題。歷來的研究發現’利用更多的資訊，作為辨識的 參考，可有效地降低辨識錯誤率。可運用的資訊包含語 曰（speech utterance)資訊、語意(Speech semantics)資訊、 還有對話内文(dialogue context)相關資訊。 傳統語音辨識主要是採取關鍵字辨識(keyw〇rd spottmg^如果關鍵字的辨識正確，那麼便可以正確地繼 續對話凡成所需的任務。對於傳統的資訊存取對話系 統來說(例如查詢天氣、查詢人員資訊、語音訂票等系統) 來說’只要能將_字_解提高，配合其他相關技 術(例如不同的對話狀態採取不同的子對話系統)，即可實 現一個可用的系統。 較新_話系統中，魏和制者之_關係不同 由1方問，另—方答，其更複雜的互動， 早罪關鍵字辨識的技術無法實現一個可行的對話系 5 統。例如，在一個語言學習系統中，使用者和系統會互 相問對方問題，並回答問題，一同完成某一個任務，或 達到雙方共有的任務《第一圖是此種對話系統的一個例 子。參考第一圖，使用者(以U表示)和系統(以s表示) 進行對話，雙方要共同協調出一個時間，還有雙方都可 以接受的活動來進行。 在此例子中，雙方不再設定是一問一答，因此可能 出現的辨識錯誤會如下所示： <D〇 you like dancing?"有可能被錯誤辨識成：“i do !ike dancing· ” ； “Would you like to…？”有可能被錯誤辨識成：“⑽站 do you like to·.?” 從上述的例子當中，可以窺知僅透過關鍵字辨識來 進行錯誤的辨識，可能無法解決這樣的錯誤。如果可以 參考對話内文的相關資訊，那麼對於辨識率的提升，會 有相當大的幫助。 現今技術中’有利用對話的歷史内容，來提高辨識 率。例如’ Rebecca Jonson等人在IEEE SLT 2006所提出 的論文” Dialogue Context-based Re-ranking of ASR_

Hypotheses” 中，其利用語音特徵(utterance feature)、即 時内文特徵(immediate context feature)、最近内文特徵 (close-context feature)、對話内文特徵(dia〗〇gue c〇ntext feature)和可能者清單特徵(list £^加吻等不同面向的特 徵，作為判定辨識錯誤的參考。而在即時内文特徵、最 近内文特徵巾’此論文只考量了最近的前兩次對話回合 的對話内文資訊，作為辨識的基礎。 另-種參照對懸史内容的作法，則是計算出之前 對話的相關統計資訊(例如，對話進行中的取消率 率（enw percemage)、系統回合數 (number of system論8)、使用者回合數(麵⑽〇f丽 加㈣等概括的資訊，沒有詳細和精確地參照到之前每一 回合對軸麵_資訊，也沒有精確地描述對話回合 之間可能存在的關係 時下的技術大多是根據上—個對話句子(通常是系統 所發出的句子），作為判定目前句子的主要依據。然而， 在真實的對話巾’目前㈣子可能會跟前幾個句子相 關二而非僅與前—個句子相關。在現有的技術當中，對 〜樣的If况’尚無有效率的表示。例如，現有的例子 田中減触N連文法杯抑_條。如果要考量 n>3的情況’那麼其頻率的分佈會非常稀疏_se)。 在叩θ辨識系統中，利用N最佳可能者清單(N-Best ㈣的重崎分方絲提高與音的辨識率 ，也是一個廣 1321313 泛應用的概念。N-最佳可能者清單的方法中，大多著重 於如何利用N·最佳可能者清單資訊來量測信心度 (confidence measure)，與如何在辨識過程中，產生队最 佳可能者清單的方法，域Ν·最佳可能者料如何進行 調適性學習(adaptive learning) 〇 【發明内容】 本發明的範例中可提供一種透過對話回合間内文關 係來減少辨識錯誤的裝置與方法。本發明將一或多個對 話回合間内文關係，納入語音辨識時尋找最佳答案的考 里，可降低自動語音辨識系統的辨識錯誤率。本發明可 幫助新代或疋較複雜之對話系統的語音辨識。 本發明分析現有的對話内容，找出多條描述對話内文 關係之規顺成的-規則組(rules♦每—條規則所描述 的資訊是以對話回合_〇gue turn)為單位，並可描述多 個對話回合之_内文_。經過訓練後的規則組，可 用來根據對話的歷史紀錄，決定目前對話回合中，每一 種内文關係現的解。以此機率可對語音辨識所產生 的N-取佳可能者清單進行重算分數，藉此來降低辨識錯 誤率。 本發明之透過對話回合間内文關係來減少辨識錯誤 的襄置包έ -細彳儲存單st〇rage—演化式 8 規則產生模組(evolutionary rule generation module)、和一 規則觸發器(rule trigger·)。規則儲存單元備有一或多條規 則組成的一規則組，每一條規則描述一組對話回合間的 關係。演化式規則產生模組從—對話記錄咖1〇卿1〇幻 中進行演化_，繼出此規顺。規觸發器根據訓 練出的規則組與前多個對話回合的對話歷史記錄 (dialogue history) ’從訓練出的規則組中選出至少一條規 則及其相職驗心度量測(eGnfldenee __)，供一 ASR系統對其語音辨識進行重新評估。 重新評估後的觸結果回饋輯話記射，此裝置 可再透過_貝/懲罰元件’進—步調整此規則組。 本發明將對話内容當中的屬性，定義成—或多種類 ^即對销文類別。每―句對話，根據其資訊，都 可以歸屬到—個特定的對話内文類別。雜，每-規則 所私述的資訊包括—序列的前多個對話回合的内文類 二卜、當=對話回合的内文類別，以及該條規則相對應的 度里測。每一規則更享有一種萬用類別的表示方 代表該-或多種不同的蚊類射的任何—種内文 類別。 〜根據本發明之裝制結構與此規職之每—條規則 義和表祕’本發明首先透過_大量平行之演化式 1321313 計鼻方法(evolutionary massive parallelism approach)，分 析對話歷史記錄，以訓練出一規則組。然後，根據此規 則組和自動語音辨識系統原本產生的辨識結果進行重新 評估’並量測重新評估之語音辨識的信心度。最後，對 於每一成功的對話回合，動態調適此規則組。 此大量平行之演化式計算方法從對話記錄中，訓練 出此規則組。首先，隨機產生一隨機規則集合。然後， 將此隨機規則集合透過此演化式計算的三個操作元，包 括規則憂異(rule variation)'規則評估扣化evaiuati〇n)與規 則篩選(rule selection)，經過多世代的演化調適而訓練出 此規則組。 而經過規則篩選產生的規則組經過多個世代的調適 之後，所產生的規則之信心分數會較高，更能表示對話 回合之間對話内文的關係。利用此種關係，可在現有的 語专辨識基礎上，更進一步提高辨識的準確度。同時， 本發明所使用的學習方法，其訓練所㈣的成本較低， 有助於設計一個可動態調整辨識規則的語音辨識系統。 這樣的機繼於未來歧更複雜互躺對H统，也會 有相當大的幫助。 茲配合下列圖示、實施例之詳細說明及申請專利範 圍’將上述及本發明之其他目的與優點詳述於後。 10 1321313 【實施方式】 第二A圖係本發明之透過對話回合間内文關係來減 少辨識錯誤縣置的—個示賴。參轉二圖，此透過 對話回合間内文關係來減少辨識錯誤的|置200包含-規則儲存單70 2(Π、—演化式規則產生模組203、和-規 則觸發205。規則表示單元2〇1備有一規則組211，此 規則組211係由一或多條規則來組成，並以對話回合為 單位來表示每-條規則。演化式規則產生模組2〇3與該 規則表示單元相互連結，並從—對話記錄(diaiQgue 1〇幻 221中進行演化調適，而訓練出此規則組211。規則觸發 器2〇5與規則儲存單元2〇1連結，並根據訓練出的規則 組211與前N個對話回合的對話歷史記錄223，從訓練 出的規則組211中選出至少一條規則215a及其相對應的 信心度量測215b，供一自動語音辨識系統225對其語音 辨識進行錄評估，其中N為—自綠(natural。 此重新評估後的語音辨識結果225a回饋至對話記錄 221中。本發明之裝置2〇〇可透過一酬賞/懲罰元件 (rewanJ/punishment element)237，進一步調整此規則組 211 ’如第二B圖所示。 參考第二B圖，當使用者語音輸入自動語音辨識系 統225時，此自動語音辨識系統225可根據規則觸發器 11 1321313 205所選出的至少一條規則215a及其相對應的信心度量 測215b，將自動語音辨識系統225原本產生的N_最佳可 月b者清單進行重新評估，與N_最佳可能者清單的分數再 進行權重加總，重估分數(rescoring)即考慮到對話回合間 内文資訊的關係。藉此來減少語音辨識錯誤，即可增加 N-最佳可能者清單之分數評估的可靠度，從此N•最佳可 能者清單中找到更適合的解答，並回饋至對話記錄Π 中。透過酬賞/懲罰元件237，可進一步調整規則組211 内的規則。 根據本發明，演化式規則產生模組2〇3從一個現有的 對話記錄中，訓練出規則組211。例如，先隨機產生一隨 機規則集合，然後將此隨機規則集合透過此演化式規則 產生模組的二個操作元，包括規則變異、規則評估與規 則篩選’而訓練出此規則組211。 依此，本發明之裝·置應用在自動語音辨識系統時， 將一或多個對話回合間内文關係，演化調適而訓練出多 條描述此對話内文關係的一組規則，其中每一條規則所 描述的資訊是以對話回合為單位。經過訓練後的規則 組，可用來根據對話回合的歷史紀錄，決定目前對話回 合中，每一種内文關係出現的機率。以此機率可對語音 辨識原本產生的最佳可能者清單進行重新評估，藉此 來減少辨識錯誤，提高此自動語音辨識系統對辨識結果 12 丄321313 的信心度。

規則組之每一條規則所描述的資訊 ^或多個—湖、t:嫩时H ”有4夕種不同的對話内文類別。每 :條規則撕應的信心度量測為此條糊的信心分數。

回合之對話内文除了所屬的對話内文類別之 ’母-條規則所指述的資訊中還可享有一種萬用類別 的表对式，此萬用類別代表其_或多種不同的内文類 別中的任何一種内文類別。 搭配第一 A圖與第二B圖之根據本發明的結構特 徵，以下進-步說明本發明的運作、每一條規則的表示 方式’以及其所描述資訊的定義。 第二圖為一個流程圖，說明 ·本發明之透過對話回合 間内文關係來減少辨識錯誤的方法的運作。首先，如步 驟301所示，透過一大量平行之演化式計算方法，分析 對話歷史3己錄，以訓練出一規則組，此規則組描述著一 或多個對話回合之間_文關係。然:後，根據此規則組 和自動語音辨識系統原本產生的辨識結果進行重新評 估’並董測重新評估之語音辨識的信心度，如步驟302 所示。最後，對於每一成功的對話回合，動態調適此規 13 則組’如步驟303所示。以下進一步說明步驟301至303。 在步驟301中，此大量平行之演化式計算方法從對 話記錄中，訓練出此規則組。如第四圖所示，首先，隨 機產生一隨機規則集合，如標號401所示。然後，將此 隨機規則集合透過此演化式計算的三個操作元，包括規 貝J ’文異402、規則評估403與規則篩選4〇4，經過多世代 的演化調適而訓練出此規則組。 接下來，說明此規則組如何描述一或多個對話回合 之間的内文關係。如前所述，此規則組係由一或多條規 則來組成，並以對話回合為單位來表示每一條規則。首 先，將對話内容當中的屬性，定義成一或多種類別，亦 即對話内文糊。每—句對話，根據其資訊，都可以歸 屬到-個特定的對_文_。然後，—個規則以符號 :R，i來表示’其中代表前n 次對話回合_文_，R代表當讀話时的内文類 別，以及I代表該條規則相對應的信讀量測。丨的範例 ㈣條規則的評估分數，或是該條酬㈣的次數或機 率等。 不失-般性，第五圖以第一圖之對話記錄為一範 例說明此對話記錄被定義出的9種不同的對話内文類 別例如，對話 1 do noUike t0 g〇 swimming·，，被定義 14 1321313 為η型態、對話” D〇 y〇u like dandng? ”被定義為v型 態、對話，’ Good bye now.”被定義為X型態。 值得一提的是，對話内文類別型態的定義不限於上 述的9種型態，可依照對話句型定義出更多不同型態的 對話内文類別。 在規則表示方式的設定上，每個對話回合之對話内 文除了所屬的對話内文類別型態外’本發明也提供—種 萬用類別型態，記為” # ” 。在MiM2%…Mn*，若 某一對話回合使用類別型態，，# ”，則代表該次對話回 合允許任何一種的對話内文類別。例如，假設對話内文 類別可能的種類有：{V, Y，N，Q，S}，該條規則的評估分 數為50，那麼”VY#N : S，50”當中，#位置可以是任何一 種對話内文類別。也就是說”VYVN : s，50”、，，γγγΝ . S，50，，、”VYNN : S，50，，、，，VYQN : S,50” 以及”vySN : S 5〇” 皆符合鵁條規則所描述。 透過演化式規則產生模組的三個操作元進行規則調 適’與經過多個世代的調適之後所產生出來的規則，其 信心分數會較高。換句話說，此規則組内的每條規則可 以描述出對話内文當中，回合和回合之間的内文關係。 值得一提的是，此内文關係不會受限於對話回合的個 數。以下進一步說明演化式規則產生模組的三個操作 15 1321313 元，規則變異402、規則評估403與規則篩選404。 規則變異402 :現有規則集合中，每一條規則會有一 個機率來變異(variation)或組合成其他的規則《變異的方 式是其中某一次的對話内文類別型態，從Mi變成Mj， 或者從變成” #”，或者從” #，，變成Mj，也可以是 其規則的結果，從R變成R’，其中Mi、、r、R’皆代 表不同的對話内文類別。例如，VS#Q變異成VS##。組 合的方式是將規則集合中，不同的規則組合成一新的規 則。例如’ VS## + ##SQ組合成VSSQ。 規則評估403 :係指評估規則之信心度量測I，可依 照該規則在現有對話紀錄中出現的次數或機率來決定。 例如，出現次數愈多，評估分數愈高。 規則篩選404 :係根據以下四個步驟來進行規則的篩 選，以第六圖來說明此規則篩選的步驟流程。在步驟601 中’保留一預定比例的規則，例如300條規則。每條規 則被保留下來的機率，和其信心度成正比。在步驟602 中’隨機或從現有規則中透過規則變異來產生新的規 則°在步驟603中，找出等價規則(equivaiencerule)，並 從中刪除較一般性的規則。例如，規則VS#:R和規則 VS##:R如果評估分數相同，則此兩條規則視為等價，刪 除較一般性的規則（VS##:R)。另一例如，假設發現兩 16 1321313 個評估分數相同且類似的規則MiMj#Mi:M『，23以及

Mr，23，則此兩條規則實際上是描述同一種 情況。也就是說當中的，，#，，，只有可 能是Mm。本發明會刪除規則MiMj#Mi:Mr，23，來提高 規則描述的正確率。 如步驟604所示，若有規則被刪除時，則回至步驟 602 ’否則結束此規則篩選。 經過多世代的演化調適而訓練出規則組後，其規則 的评估分數會愈來愈高，而整個規則組所描述的規則， 即愈能代表不同對話之間，對話内文類別的關係。因此， 可用來計算出目前所辨識的對話中，出現各式對話内文 類別的機率。此資訊可以重新對N-最佳可能者清單進行 評分’以提高辨識結果的信心度。 有了訓練出的規則組後，在步驟302中，本發明更 包括下列步驟來進行重新評估，並量測目前對話回合中 各種對話内文類別之可能性的機率。參考第七圖，首先， 如步驟701所示，將前n次的對話記錄，套用在此規則 組中的逐條規則。也就是說，在此規則組中的每一條規 則’去找出其前η次對話回合的内文類別（亦即 MiM2M3...Mn)符合前η次對話記錄的規則。 然後，在所有符合的規則中，根據這些規則之當次 17 對話回合的内文類別(也就是R)來進行分類，並計算出每 —種對話内文類別的信心分數，如步驟702所示。此广 心分數的計算為，縣是該酬，並轉合前^次雜 記錄的所有規則的信心分數總和。根據每種對話類別的 信心分數，就可看出此種對話類別的機率。信心分數兪 高，其機率就愈高。 〜 將此信心分數資訊輸入自動語音辨識系統中，即可 用來降低語音辨識的錯誤率。其方法有二： 乐~種方式 是將信心分數資訊提供給自動語音辨識系統，讓其利用 更多的資訊，來產生更精確的N-最佳可能者清單。第二 種方式是作自動語音辨識的後處理，透過信心分數資訊 或機率較高的酬來酸自動語音辨識魏原本之^最 佳可能者清單的分數，藉此提高辨識的準確率。 在步驟303中’自動語音辨識系統輪出的辨識結果 回饋至對話《，可再透過酬賞/懲罰元件237，動態調 整規則組内的規則。 以對話§己錄内的一段對話為範例，以及對話内文類 別型態定義如第五圖，以下說明本發明的實際運作流 程。不失-般性，此範例中’本發_規職示係以前 4次對話回合_文_來作朗，換句話說，每一規 則表示為 MiMzMslVLt :R，I。 18 第八圖是上述該段對話與其對應的對話内文類別型 態的-個示賴，其中U代表使用者，s代表一語音辨 識系統。 接收第八圖之對話記錄後，第九A圖至第九D圖說 明以大量平狀演化辆算方法來產线躲。第九A 圖係透過隨機方式產生之規職合的_個範例。第九B 圖至第九D圖分狀經過⑽代、2⑻代與誦〇代的 演化調適後，观出醜聽，其巾皆只列出其規則組 300條規則中的前30條規則。 然後’則將前多個對話回合之狀態之對話歷史紀 錄’套用在第九DB巾的規則組的逐條制，並分析目 前對話中目酸話回合巾每-種對_文_的信心分 數與機率’結果如第十圖所示。 不失一般性，第39回個對話回合之狀態之對話歷史 紀錄如下所示： 使用者：”WhatdidyoudoyesterdaymQming<?" 系統：”whatdidnothingyesterdaymomiiig” 根據上述的第39回合的對話歷史記錄，可看出系統的回 答有問題。 透過規則觸發器205 ’將上述的前4次對話回合之狀 1321313 態之對話歷史紀錄，套用規則組中的逐條規則，並找出 規則之前4切軸合_文類別，即M2M3 M4。 在此範例，找出規則組中某一符合規則的MiM2M3 Mt 為XXXQ。然後，根據此内文類別的當次對話回 合的内文類別(也就是R)來進行分類，並計算出目前對話 回合中母一種對話内文類別的分數或機率。 在此範例中，以第五圖中定義出的9種對話内文類 鲁 別型態，分別計算其機率。如第十圖所示，内文類別，，卩 “之機率為0.32、内文類別” γ “之機率為〇12、内文 類別’’ N “之機率為003、内文類別” y “之機率為 0.21、内文類別n “之機率為〇.〇4、内文類別’’呂‘‘之 機率為0_89 '内文類別” V “之機率為〇31、内文類 別” C “之機率為0.25'内文類別，’ X “之機率為〇。 由於内文類別” S “的機率最高，因此，這條 XXXQ.S緣則出現的機率最局，換句話說，系統回欠的 _ 句型應為直述句。 最後，此規則XXXQ:S可與自動語音辨識系統原本 的最佳可能者清單進行權重加總，從最佳可能者清單中 找最符合的句型回答’例如：” I did nothing yesteKiay morning.” ’藉此提高最佳可能者清單之分數評估的可靠 度。當然此規則XXXQ:S也可以在自動語音辨識系統内 20 作後處理，亦即直接調整最佳可能者清單的分數， 高辨識率。 k 本發明調適過的規則組與自動語音辨識系統原本的 最佳可能者清單的分數再進行權重加總，即考慮到對咭 回合間内文類別的關係，如此可增加最佳可能者清單Z 數評估的可靠度。 刀 惟，以上所述者，僅為發明之最佳實施例而已，當不 能依此限定本翻實施之細。即大凡—本發明申請專 利範圍所作之解變化與修飾，皆應減本發明專利涵 蓋之範圍内。 21 【圖式簡單說明】 第-圖為-個傳統對話系統的例子。 第二八_本㈣之透卿_合_文_來減少辨 識錯誤的裝置的一個示意圖。 第二B圖制自動語音辨_統顧本發明進行重

估，且本發明可透過—酬_罰元件，調整第二 的規則組。 T

第三圖為—織糊，朗本發狀透過縣回合間内 文關係來減少辨識錯誤的方法的運作。 第四圖說明透過-演化式計算，撕話記錄中 則組。 第五圖以第一圖之對話記錄為一範例，說明本發明將此 對話記錄定義㈣9财同崎話内文類別。 第六圖說明規則篩選的步驟流程。

第七圖進一步說明本發明如何進行重新評估，並量測目 前對話回合中各種對話内文類別之可能性的機率。 第八圖係對話記錄内的一段對話與其對應的對話内文類 別型態的一個示意圖。 第九Α圖係第八圖之對話記錄透過隨機方式產生之規則 集合的一個範例。 第九B圖-第九d圖分別是經過1〇〇代、2〇〇代與loooo 代的演化調適後，訓練出的規則組’其中皆只列出其規 則組中的前3〇條規則。 第十圖說明規則觸發器將對話歷史紀錄，套用在規則組 22 1321313 中’並算出目前對話回合中每一種對話内文類別的機率。 【主要元件符號說明】 s糸統 U使用者 話回合間内文關係來減少辨識錯誤的裝置 201規則表示單元 203演化式規則產生模組 205規則觸發器 211規則組 215a至少一條規則 215b信心度量測 221對話記錄 N自然數 223前N個對話回合之狀態之對話展中紀婦 225自動語音辨識系統 225a語音辨識的結果 237酬賞/懲罰元件 301透過-大量平行之演化式計算方法，分析對話歷史記錄， 以訓練出一規則組，此規則組描述著一或多個對話回合之 間的内文關係 302根據此規則組和自動語音辨識系統原本產生的辨識結果 ——進行重古’ ·gj測重新評估之語音辨識的佶心疫 303對於每一成功的對話回合 ’動悲調適此親則組 23 1321313 401隨機產生一隨機規則集合__ 402規則變異_403規則評估 404規則篩選

MiM2M3... Mn : R，I規則表示方式 601保留一預定比例的規則__ 602隨機或從現有規則中透過規則變異來產生新的規則 603找出等價規則，並從中刪除較一般性的規則_ 604有規則被刪除？ 701將前η次的對話記錄，曼土在此沒則^^的逐條規則 702在所有符合的規則中，根據這些規則之當次對話回合的内 文類別(也就是R)來進行分類，並計算出每一種對話内文 類別的信心分數 24

Claims (1)

1321313 — I ί丨月U曰修正替換頁 十、申請專利範圍： 1. 一種透過對話回合間内文關係來減少辨識錯誤的裝置， 包含： 一規則儲存單元，備有一規則組，該規則組係由一或 多條規則來組成，並以對話回合為單位來表示每一條 該規則所描述的資訊； 一/貝化式規則產生模組，與該規則儲存單元相互連 Φ 結，並從一對話記錄中進行演化調適，而訓練出該規 則組；以及 規則觸發器，與該規則儲存單元連結，並根據該訓 練出的規則組與先前一或多個對話回合之對話歷史記 錄，從該訓練出的規則組中選出至少一條規則及其相 對應的信心度量測，供一自動語音辨識系統對其語音 辨識重新評估。 2·如申請專利範圍第丨項所述之透過對話回合間内文關係 鲁 核少辨識錯誤的裝置’其中，該重新評估後的結果 回饋至泫對話記錄中，該裝置更透過一酬賞/懲罰元 件，來調整該規則組。 3·如申請專纖圍第1項所述之透過對話回合間内文關係 來減少辨識錯誤的裝置，其中該規則組之每一條該規 則的表示中至少包括該對話回合之間的内文關係。 4·如申請專利範圍第！項所述之透過對話回合間内文關係 來減少辨識錯誤的裝置，其中該規則組之每一條該規 則所描述的資訊包括-序列的前多個對話回合的内文 25 * %年_日修正替換頁 類別备-欠對話回合的内文類別，以及該條規則相對 ’ 應的信心度量測。 士申吻專利範圍第4項所述之透過對話回合間内文關係 來減少辨識錯誤的裝置，其中該規則組之每一條該規 則所為述的資訊中具有一或多種不同的對話内文類 別。 如申叫專利範圍第4項所述之透過對話回合間内文關係 來，少辨識錯誤的裝置，其中該條規則相對應的信心 鲁 度里測為該條規貞彳的信心分數。 7·如申請專利範圍第5項所述之透過對話回合間内文關係 來減少辨識錯誤的裝置，其中該規顺之每一條該規 則所描述的資訊中更享有一種萬用類別的表示方式， 該萬用類別代表該-或多種不同的内文類別中的任何 一種内文類別。 8·如申請專利翻第丨項職之透過對_合勒文關係 來減少辨識錯誤的裝置，其中該演化式規則產生模組 _ 包括三個操作元，分別為規則變異、規則評估與酬 篩選。 . 9. -種透賴如合間蚊關絲減少觸錯誤的方法， 該方法包含下列步驟： 透過-大量平行之演化式計算方法，分析對話歷史記 錄，以訓練出一規則組，該規則組描述著—或多個對 話回合之間的内文關係； 根據該規則組和一自動語音辨識系統原本產生的辨識 26 1321313 伽"月日修正替換頁 結果進行重新評估，並量測該重新評估之辨識^--、 信心度;以及 對於每一成功的對話回合，動態調適該規則組。 10.如申請專利範圍第9項所述之透過對話回合間内文關 係來減少辨識錯誤的方法，其中該訓練出該規則組的 步驟更包括： 隨機產生一隨機規則集合；以及 將該隨機規則集合透過一演化式計算的三個操作元， 包括規則變異、規則評估與規則篩選，經過多世代的 演化調適而訓練出該規則組。 Η.如申請專利範圍第9項所述之透過對話回合間内文關 係來減少辨識錯誤的方法，其中該規則組係由一或多 條規則來組成，並以對話回合為單位來表示每一條該 規則所描述的資訊。 12.如申請專職M U項所述之透過對話回合間内文關 係來減少辨識錯誤的方法，其中該規則組係透過下列 步驟來指述-或鋒對話回合之間軸文關係： 將該-或多個對話回合對話内容當中的屬性，定義成‘ 一或多種對話内文類別；以及 每-該規則以符號：R，j來表示，其中 ΗΜ2Μ3.·.Μη代表前n個對話回合的内文類別，R代 表當次對話回合的内文類別]代表該條規則相對應的 信心度量測。 13.如申印專利範圍第1〇項所述之透過對話回合間内文關 27 1321313 分年//月Μ曰修正替換頁 係來減少辨識錯誤的方法，其中該規則變異係指每一 該規則會有-機率，透過變異、或組合之其中一種方 式而成為另一新的規則。 14·如申請專利範圍第10項所述之透過對話回合間内文關 係來減少觸錯誤的方法，其巾該酬評估係指評估 每一該規則之信心度。 15. 如申請專利範圍第1Q項所述之透過對話回合間内文關

係來減少辨識錯誤的方法，其中該規則篩選包括下列 步驟： 保留一預定比例的規則； 隨機或從現有規則中透過規則變異來產生新的規則； 找出等價規則，並從中刪除較一般性的規則；以及 如有規則被刪除時，則返回至該產生新規則的步驟。 16. 如申睛專利範圍第9項所述之透過對話回合間内文關 係來減少辨識錯誤的方法，其中該進行重新評估，並

量測該重新評估之語音辨識的信心度更包括下列步 驟： 將刖多次的對話記錄，套用在該規則組中的每一條規 則，去找出其前多次對話回合的内文類別符合該前多 次對話記錄的規則；以及 在所有該符合的規則中，根據所有該符合的規則之當 次對話回合的内文類別來進行分類，並計算出每一種 對話内文類別的信心分數資訊。 17. 如申請專利範圍第16項所述之透過對話回合間内文關 28 1321313 *//月//日修正替換頁I 係來減少辨識錯誤的方法，其中在該動態調適該規則 組後，將該信心分數資訊提供給該自動語音辨識系統。 18. 如申請專利範圍第17項所述之透過對話回合間内文關 係來減少辨識錯誤的方法，其中該信心分數資訊讓該 自動語音辨識系統有更多的資訊，來產生一精確的最 佳可能者清單。

19. 如申請專利範圍第17項所述之透過對話回合間内文關 係來減少辨識錯誤的方法，其中該信心分數資訊係提 供給該自動語音辨識作後處理，透過該信心分數資訊 來調整該自動語音辨識系統原本之最佳可能者清單的 分數。 29