Étude des modèles neuronaux profonds pour la compréhension automatique du langage naturel dans les habitats intelligents - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2018

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

Résumé

The goal of the VocADom project is to create a natural language understanding system for processing voice orders in a smart home for the elderly. Machine learning approach seems more flexible than the rule-based approach, which does not take into account orders that do not conform to grammar ; and studies have shown that older people are inclined to deviate from imposed grammar.
However there is a lack of learning data in this domain. To remedy the problem, a grammar generating the artificial corpus for the smart home domain was created. One of the goals of this work is to improve this grammar. After the improvement, the resulting artificial corpus has 42195 annotated sentences. It was then evaluated by training three state-of-the-art models on it - Tri-CRF, att-RNN, RASA, as well as Tf-seq2seq, a sequence-to-sequence model. The models were then tested on a small natural existing corpus recorded as part of the VocADom project. This allowed us to see the limitations of the artificial corpus. These models were then compared to the models that were trained and tested on the PORTMEDIA corpus of touristic domain. This comparison allowed us to know that the performance of the models trained on the artificial corpus is due to the limitations of the artificial corpus rather than the limitations of the models themselves. All the models trained and tested on PORTMEDIA gave good results but the models trained on the artificial corpus and tested on the VocADom corpus were much less efficient. This shows the difficulty of accounting for the lexical and syntactic diversity of the real data.
All models show comparable performances but Tf-seq2seq, unlike Tri-CRF, att-RNN et RASA, doesn’t require aligned data and is easier to train.
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.
Fichier principal
Vignette du fichier
MISHAKOVA Anastasiia_M2_IDL.pdf (1.21 Mo) Télécharger le fichier
MISHAKOVA Anastasiia_M2_IDL_Annexe.pdf (1.02 Mo) Télécharger le fichier
Loading...

Dates et versions

dumas-01846913 , version 1 (23-07-2018)

Identifiants

  • HAL Id : dumas-01846913 , version 1

Citer

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⟩
156 Consultations
247 Téléchargements

Partager

Gmail Facebook X LinkedIn More