Sprachliche Mensch-Maschine-Kommunikation

17.2 Ballung von Kontexten 303
korrekten Beantwortung müßte der gesamte Ballungsvorgang, wiederholt
werden, diesmal aber unter Einschließung von p2 p0 p5. Während des
Trainings war es ja mangels Vorkommens dieses Kontextes und mangels
akustischer Evidenz nicht möglich. Während der Erkennung ist zwar
akustische Evidenz vorhanden, allerdings ist es weder praktikabel, zur
Laufzeit, den Ballungsalgorithmus zu wiederholen noch wäre es berechtigt,
zu erwarten, daß die wenige Evidenz in den Testdaten ausreicht, um ein gutes
Ballungsergebnis zu liefern. Die einzig sinnvolle Vorgehensweise in einem
solchen Fall wäre, für jedes Phonem auch ein kontextunabhängiges Modell
bereitzuhalten und gegebenenfalls dieses zu verwenden. Auf jeden Fall wäre
sowohl die Verwendung eines kontextunabhängigen Modells als auch die
eines ” falschen“ kontextabhängigen keine optimale Lösung. Besser wäre es,
herauszufinden, welches der vorhandenen kontextabhängigen am besten paßt.
Dies kann durch den Einsatz eines divisiven Ballungsalgorithmus erreicht
werden. Statt alle möglichen 2 n Divisionen einer Klasse von n Modellen
zu antizipieren können nur einige wenige berücksichtigt werden. Da also
bei der Ballung in jedem Knoten des Ballungsbaumes eine Entscheidung
getroffen wird, wie der Knoten aufzutrennen ist, spricht man auch von
Kontextentscheidungsbäumen. Sie fallen in den Komplex der allgemeinen
Entscheidungsbäume (classification and regression trees CART). Dabei wird
ein Fragenkatalog verwendet. Jede Frage ist eine ja/nein Frage und für jeden
Kontext in einem aufzutrennenden Knoten wird mit Hilfe einer dem Knoten
eigenen Frage entschieden, in welchen der entstehenden Unterknoten der
Kontext kommen soll.
Typische Fragen bei Kontextentscheidungsbäumen sind Fragen wie:
” Ist das Vorgängerphonem ein Vokal“, oder “Ist das Nachfolgerphonem
ein Frikativ“, aber auch Ist das Phonem selbst stimmhaft“ oder – wie
”
in Tab. 17.5 erwähnt – “Ist das Phonem am Anfang eines Wortes“. Das
Ergebnis einer divisiven Ballung ist in Abb. 17.9 dargestellt. Ganz oben
ist der Startknoten, in dem alle 17 in den Trainingsdaten vorkommenden
Phoneme im Kontext enthalten sind. Diese sind entsprechend der
in verschiedenen Spracherkennungssystemen üblichen Schreibweise als
Phonem(linkerKontext|rechterKontext) angegeben. Die Frage, die in
diesem Beispiel durch den Ballungsalgorithmus dem Startknoten zugeordnet
wurde ist mit −1 = Vokal“ markiert und entspricht der umgangssprach-
”
lichen Formulierung: Ist das Vorgängerphonem ein Vokal“. Diese Frage
”
wird für 13 Kontexte mit ja und für vier Kontexte mit nein beantwortet.
Der Ja-Nachfolgeknoten stellt dann die Frage, ob das Nachfolgephonem
ein Stopplaut ist: +1 =Stopp“. Der Beispielbaum hat schließlich sieben
”
Blätter mit jeweils einem bis vier Kontexten. Wäre das das Ende des
Ballungsprozesses, so würde das akustische Modell des Erkenners sieben
akustische Einheiten haben, deren zeitliche Ausdehnung der eines