Étude des modèles neuronaux profonds pour la compréhension automatique du langage naturel dans les habitats intelligents

Résumé : Le but du projet VocADom est de créer un système de compréhension automatique des ordres vocaux qui pourrait être fonctionnel dans un habitat intelligent pour les personnes âgées. L’approche par apprentissage automatique nous semble plus flexible que l’approche par règles, ce dernier ne prenant pas en compte les énoncés qui ne se conforment pas à la grammaire ; et les études ont montré que les personnes âgées sont enclines à s’écarter de la grammaire imposée.
Pourtant il y a un manque de données d’apprentissage dans ce domaine. Pour contourner ce problème, une grammaire générant le corpus artificiel pour le domaine de l’habitat intelligent a été créé. Un des problèmes traités par ce mémoire est l’amélioration de la grammaire existante. Après amélioration, le corpus artificiel résultant compte 42195 phrases annotées. Il a été ensuite évalué en entraînant avec lui trois modèles états de l’art - Tri-CRF, att-RNN, RASA - ainsi que Tf-seq2seq, modèle séquence-vers-séquence. Ces modèles ont ensuite été testés sur un petit corpus d’ordres naturels enregistrés dans le cadre du projet VocADom. Cela nous a permis de voir les limites du corpus artificiel. Ces modèles ont ensuite été comparés aux modèles entraînés et testés sur le corpus de données réelles PORTMEDIA qui relève du domaine du tourisme. Cette comparaison nous a permis de savoir que la performance des modèles entraînés sur le corpus artificiel est due aux limitations du corpus artificiel plutôt qu’aux limitations des modèles eux-mêmes. Tous les modèles entraînés et testés sur PORTMEDIA avaient rendu de bons résultats mais les modèles entraînés sur le corpus artificiel et testés sur le corpus naturel VocADom ont été bien moins performants. Ceci montre la difficulté à prendre en charge la diversité lexicale et syntaxique d’un corpus réel.
Tous les modèles ont des performances comparables, mais Tf-seq2seq, contrairement à Tri-CRF, att-RNN et RASA, ne requiert pas de données alignées et est plus facile à entraîner.
Type de document :
Mémoires
Sciences de l'Homme et Société. 2018
Liste complète des métadonnées

https://dumas.ccsd.cnrs.fr/dumas-01846913
Contributeur : Uga - Bulles <>
Soumis le : lundi 23 juillet 2018 - 09:28:07
Dernière modification le : lundi 11 février 2019 - 16:36:02

Fichiers

Identifiants

  • HAL Id : dumas-01846913, version 1

Citation

Anastasiia Mishakova. Étude des modèles neuronaux profonds pour la compréhension automatique du langage naturel dans les habitats intelligents. Sciences de l'Homme et Société. 2018. 〈dumas-01846913〉

Partager

Métriques

Consultations de la notice

12

Téléchargements de fichiers

12