46、提升基于规则的 grapheme - to - phoneme 转换及文本复杂度评估研究

提升基于规则的 grapheme - to - phoneme 转换及文本复杂度评估研究

基于规则的 G2P 方法性能评估

在 G2P（grapheme - to - phoneme）转换领域，不同的方法展现出了各异的性能。对于评估指标，WLA（Word - Level Accuracy）和 GLA（Phone - Level Accuracy）的值越高越好，而 MNLD（Mean Normalized Levenshtein Distance）和 CRE（Conditional Relative Entropy）的值越低越好。以下是不同 G2P 方法的性能对比表格：
| 方法 | WLA ↑ | GLA ↑ | MNLD ↓ | CRE ↓ |
| — | — | — | — | — |
| 基于规则的 G2P 方法 | 67.47 % | 75.78 % | 0.13 | 2.19 |
| 基于规则 + 基于子词的方法 | 72.21 % | 78.49 % | 0.08 | 1.77 |
| 基于规则 + 基于记忆驱动的方法 | 79.18 % | 82.66 % | 0.04 | 1.34 |
| 基于规则 + 提出的 G2P 方法 | 89.36 % | 80.64 % | 0.04 | 1.06 |

从表格中可以看出，提出的方法在除 GLA 外的各种指标上都优于所有基线方法。这一性能得益于形态分割和音节划分模块的有效性。

提出的 G2P 方法在不同数据集上的性能

提出的 G2P 方法旨在通过形态分割和音节划分来处理复合词和屈折词。为此，在三个数据集上进行了性能分析，分别是包含简单词的数