こんにちは，AIチームの邊土名です．
6月14日（火）〜6月17日（金）の期間で2022年度人工知能学会全国大会が開催され，AI Shiftからは1件の発表（ポスター）を行います．
本記事では発表の概要を紹介します．発表をお聞きになる際の参考になれば幸いです．
[4Yin2-55] ユーザ発話とEntityの音声類似度を考慮したEntity Linking手法の検討
〇邊土名 朝飛，戸田 隆道，友松 祐太，杉山 雅和，東 佑樹，下山 翔（AI Shift）
6月17日(金) 12:00 〜 13:40 Y会場
Entity Linking とは，テキスト中の固有表現を知識ベース上のEntity（地名，店舗名，商品名，etc.）に紐付けるタスクであり，音声自動応答サービスのAI Messenger Voicebotにおいても重要なタスクとなっています．
ここで問題となってくるのが"音声認識誤り"です．音声認識誤りを含むテキスト間で類似度を計算する際，表層的もしくは意味的な類似度を単純に求めるだけでは適切にLinkingすることはできません．"豊洲"の音声認識誤り結果である「おやす」と「豊洲」は当然全く異なるテキストとして扱われるでしょう．
そこで本研究では，音声の類似度に着目し，音声特徴に基づいた類似度計算手法の比較検証を行いました．
評価実験では，Automatic Speech Recognition（ASR）結果を使用する音素列ベースの手法（編集距離，セミグローバルアラインメント，N-gram+TF-IDF）と，ASRを使用しない，すなわち音声データを直接利用する手法（メルスペクトログラム，wav2vec 2.0）との間で比較実験を行いました．
自社で運用している自動音声対話サービスの対話ログデータを使用して実験した結果，音素列を用いる手法の方がフィラーや無音区間の影響を受けにくく，音声データを直接利用する手法と比べて高いEntity Linking性能を示しました．また，音素列ベースの手法の中でも，N-gram+TF-IDFが最も高い性能を示しました．
当日は，Entity LinkingやNERに有用な，より良い音声特徴について議論できればと思います．
おわりに
今年の人工知能学会はハイブリッド開催ということで，私も現地でポスター発表を行う予定です．少しでも興味をお持ちになった方はぜひ会場に来ていただき，様々な議論ができればと思います．京都で皆様とお会いできるのを楽しみにしております！
最後までお読みいただきありがとうございました！
