薛慧娟, 劉敏

(1.陜西鐵路工程職業(yè)技術(shù)學(xué)院 基礎(chǔ)課部， 陜西 渭南 714000; 2.陜西理工大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院， 陜西 漢中 723001)

0 引言

隨著改革開(kāi)放的不斷深入，我國(guó)對(duì)外貿(mào)易規(guī)模不斷提高。國(guó)內(nèi)外的各種社會(huì)交流也逐年增長(zhǎng)，這些都離不開(kāi)我國(guó)對(duì)英語(yǔ)教育事業(yè)的大力支持。但是，隨著競(jìng)爭(zhēng)的不斷加劇，社會(huì)對(duì)復(fù)合型人才的需求越來(lái)越多。企業(yè)要求這些人才不僅要具有扎實(shí)的專(zhuān)業(yè)知識(shí)，還需要具備熟練的英語(yǔ)表達(dá)能力，例如專(zhuān)業(yè)領(lǐng)域的術(shù)語(yǔ)溝通等。專(zhuān)門(mén)用途英語(yǔ)(ESP)因此應(yīng)運(yùn)而生[1-3]。不同于普通英語(yǔ)，ESP教學(xué)側(cè)重在真實(shí)語(yǔ)境中靈活運(yùn)用語(yǔ)言達(dá)到交際目的，因此口語(yǔ)能力相當(dāng)重要。

雖然教學(xué)形式得到了多樣化的發(fā)展，但是現(xiàn)階段ESP的口語(yǔ)教學(xué)還處在人工判定階段。需要教師花費(fèi)大量的時(shí)間和精力進(jìn)行各種主觀性測(cè)試，導(dǎo)致工作效率無(wú)法有效提高，特別是大規(guī)模的ESP測(cè)試場(chǎng)景[4]。目前，隨著人工智能技術(shù)的興起和發(fā)展，基于各種人工智能算法的英語(yǔ)測(cè)試自動(dòng)評(píng)分技術(shù)開(kāi)始逐漸被提出[5-8]。例如，魏揚(yáng)威等[8]提出結(jié)合語(yǔ)言學(xué)特征和自編碼器的英語(yǔ)作文自動(dòng)評(píng)分，取得了很好的預(yù)測(cè)效果和魯棒性。李婷等[9]提出了一種集中趨勢(shì)自適應(yīng)增強(qiáng)的英語(yǔ)作文評(píng)分算法，解決了過(guò)擬合問(wèn)題，相比人工評(píng)分該算法的誤差均小于20%。但是可以看出，目前已提出的英語(yǔ)自動(dòng)評(píng)分技術(shù)均僅從軟件或者算法方面進(jìn)行研究，因此實(shí)時(shí)性較差且無(wú)法應(yīng)用于ESP口語(yǔ)測(cè)試。

為了有效解決ESP口語(yǔ)測(cè)試的自動(dòng)評(píng)分，就必須從硬件上對(duì)評(píng)分系統(tǒng)進(jìn)行整體設(shè)計(jì)。由于ARM9系列平臺(tái)在實(shí)時(shí)數(shù)據(jù)采集和傳輸方面具有功耗低、便攜性、成本低和性能強(qiáng)等優(yōu)勢(shì)，武曉燕等[10]設(shè)計(jì)了基于ARM的語(yǔ)音識(shí)別及控制系統(tǒng)，為ESP口語(yǔ)測(cè)試的自動(dòng)評(píng)分研究提供了思路。

因此，在上述研究的基礎(chǔ)上，本文提出一種基于數(shù)據(jù)挖掘和嵌入式ARM設(shè)備的英語(yǔ)口語(yǔ)自動(dòng)評(píng)分系統(tǒng)。在硬件方面采用基于三星S3C6410芯片微處理器、UDA1341TS音頻編解碼器和以太網(wǎng)接口的ARM開(kāi)發(fā)板，能夠?qū)崿F(xiàn)音頻信號(hào)的實(shí)時(shí)采集并上傳。調(diào)用科大訊飛API接口實(shí)現(xiàn)音頻文件轉(zhuǎn)換生成文本答案。對(duì)識(shí)別出的文本答案進(jìn)行聚類(lèi)特征提取，并采用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘技術(shù)進(jìn)行預(yù)測(cè)評(píng)分。實(shí)際測(cè)試結(jié)果驗(yàn)證該系統(tǒng)的效率較高，其評(píng)分性能達(dá)到了人工評(píng)分的水平。

1 ESP測(cè)試自動(dòng)評(píng)分平臺(tái)設(shè)計(jì)

1.1 系統(tǒng)硬件設(shè)計(jì)

為了降低整體系統(tǒng)的成本，提出系統(tǒng)在硬件方面采用基于三星S3C6410芯片微處理器、UDA1341TS音頻編解碼器和以太網(wǎng)接口的ARM開(kāi)發(fā)板，能夠?qū)崿F(xiàn)音頻信號(hào)的實(shí)時(shí)采集并上傳。工作系統(tǒng)采用ARM+LINUX架構(gòu)，支持 LCD 接口和JTAG 調(diào)試接口，且體積小、專(zhuān)用性強(qiáng)，系統(tǒng)硬件框圖如圖1所示。

圖1 ESP測(cè)試自動(dòng)評(píng)分系統(tǒng)的硬件框圖

1.2 UDA1341TS音頻接口電路設(shè)計(jì)

本系統(tǒng)采用了飛利浦基于IIS音頻總線的UDA134TS，可以外接8/16 bit的立體聲。UDA134TS音頻芯片的工作電壓為1.8 V-3.6 V。S3C6410微處理器通過(guò)AC-Link 數(shù)字接口對(duì)UDA134TS音頻芯片進(jìn)行功能控制，如圖2所示。

圖2 AC-Link 數(shù)字接口硬件框圖

音頻芯片UDA134TS與S3C6410微處理器的連接電路以及外圍電路，如圖3所示。

圖3 音頻接口部分電路

ARM開(kāi)發(fā)板的音頻相關(guān)電路有兩個(gè)3.3 V輸入電源，為音頻芯片UDA134TS供電，如圖4所示。

圖4 音頻接口電源電路

1.3 系統(tǒng)的軟件實(shí)現(xiàn)

在ARM開(kāi)發(fā)板上需要通過(guò)交叉編輯構(gòu)建開(kāi)發(fā)環(huán)境，安裝Linux內(nèi)核、根文件系統(tǒng)配置和加載相關(guān)驅(qū)動(dòng)程序。Linux 系統(tǒng)選用的是 Ubuntu 12.04，需要下載到開(kāi)發(fā)板上運(yùn)行、驗(yàn)證程序，交叉開(kāi)發(fā)模式如圖5所示。

圖5 交叉開(kāi)發(fā)模式

在臨時(shí)環(huán)境變量配置成功后，通過(guò)執(zhí)行$ct-ng menuconfig命令打開(kāi)Linux的圖形配置界面。然后編譯并安裝arm-linux-gcc 4.8.4交叉編譯工具鏈。

音頻芯片UDA134TS電路不斷采集語(yǔ)音信息,并由IIS總線接口輸入各個(gè)緩沖區(qū)中。用戶程序可以從當(dāng)前緩沖區(qū)存儲(chǔ)空間直接讀取數(shù)據(jù)音頻模塊的語(yǔ)音信號(hào)。

2 自動(dòng)評(píng)分功能的實(shí)現(xiàn)

通過(guò)ARM開(kāi)發(fā)板采集ESP測(cè)試中用戶語(yǔ)音信息后，通過(guò)以太網(wǎng)口上傳到PC端生成音頻文件。然后調(diào)用科大訊飛API接口(語(yǔ)音聽(tīng)寫(xiě)接口)實(shí)現(xiàn)音頻文件的轉(zhuǎn)寫(xiě)，生成英語(yǔ)文本答案。

2.1 聚類(lèi)后的特征提取

為了對(duì)英語(yǔ)文本答案的內(nèi)容進(jìn)行準(zhǔn)確表征，本文將英語(yǔ)文本的詞向量進(jìn)行K-means聚類(lèi)分析。詞向量的生成借助了詞向量計(jì)算的工具Word2vec[11-13]。將生成的英語(yǔ)文本答案內(nèi)容表征成3×k維向量，則聚類(lèi)分析的步驟如下。

(1) 設(shè)Word2vec生成的詞向量集合為X={x1,…,xM}，其中xi表示英語(yǔ)文本的詞向量。

(2) 隨機(jī)初始化k個(gè)聚類(lèi)中心，u1,u2,…,uk∈Rn。

(3) 對(duì)xi的類(lèi)型結(jié)果進(jìn)行計(jì)算,為式(1)。

(1)

(4) 然后對(duì)聚類(lèi)中心進(jìn)行調(diào)整,為式(2)。

(2)

式中，j∈[1,k]。

(5) 判斷聚類(lèi)中心是否不發(fā)生變化，是的話就結(jié)束聚類(lèi)，否則跳轉(zhuǎn)到步驟(2)繼續(xù)執(zhí)行。

表1 詞法特征

2.2 關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘

在特征構(gòu)建好后，將采用FP_Growth關(guān)聯(lián)規(guī)則挖掘算法[14]應(yīng)用于英語(yǔ)文本評(píng)分的預(yù)測(cè)任務(wù)。令I(lǐng)={i1,i2,…,id}是特征數(shù)據(jù)中所有項(xiàng)的集合，而T={t1,t2,…,tN}是所有事務(wù)的集合。每個(gè)事務(wù)ti包含的項(xiàng)集都是I的子集。

在關(guān)聯(lián)分析中，支持度(support)和置信度(confidence)的具體表示方式為式(3)、式(4)。

(3)

(4)

式中，N表示事務(wù)的數(shù)量。

英語(yǔ)文本評(píng)分的支持度計(jì)算方式如式(5)。

s=|{x|x∈D,rulei∈x}|

(5)

其中，D表示訓(xùn)練數(shù)據(jù)集;rulei表示D的規(guī)則。在關(guān)聯(lián)分析中集合是被視為項(xiàng)集(itemset)。

基于FP_Growth關(guān)聯(lián)規(guī)則挖掘的英語(yǔ)文本評(píng)分預(yù)測(cè)的核心步驟是構(gòu)建FP-tree樹(shù)節(jié)點(diǎn)，以便減少所需頻繁項(xiàng)集的數(shù)量。事務(wù)型數(shù)據(jù)的示例如表2所示。

表2 事務(wù)型數(shù)據(jù)

FP_tree樹(shù)的節(jié)點(diǎn)機(jī)構(gòu)如圖6所示。

圖6 FP-tree節(jié)點(diǎn)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)和評(píng)估指標(biāo)

為了驗(yàn)證所提ESP測(cè)試自動(dòng)評(píng)分系統(tǒng)的有效性，進(jìn)行了具體測(cè)試。實(shí)驗(yàn)數(shù)據(jù)庫(kù)為國(guó)內(nèi)高校ESP口語(yǔ)比賽數(shù)據(jù)集中隨機(jī)選取的800道簡(jiǎn)答題。選擇一個(gè)測(cè)試者進(jìn)行現(xiàn)場(chǎng)ESP口語(yǔ)簡(jiǎn)答測(cè)試，然后分別進(jìn)行人工評(píng)分和音頻采集自動(dòng)評(píng)分。PC端系統(tǒng)運(yùn)行環(huán)境配置信息如表3所示。

表3 系統(tǒng)運(yùn)行環(huán)境參數(shù)

本文自動(dòng)評(píng)分系統(tǒng)和人工評(píng)分均采用二次加權(quán)的Kappa值[15]進(jìn)行量化評(píng)估，其計(jì)算方式如式(6)。

(6)

其中，Oi,j表示分?jǐn)?shù)同時(shí)為i和j的答案的數(shù)量(由兩個(gè)不同的評(píng)分人給出);w表示權(quán)重，其計(jì)算方式如式(7)。

(7)

其中，N表示評(píng)分的等級(jí)數(shù)。Kappa值越大則準(zhǔn)確度越高。針對(duì)同一個(gè)測(cè)試者分別進(jìn)行了5次人工評(píng)分和自動(dòng)評(píng)分，其中每次人工評(píng)分由3個(gè)專(zhuān)家打分并取平均值，每次自動(dòng)評(píng)分也是取3次結(jié)果的平均值。

3.2 時(shí)間和準(zhǔn)確度

利用3.1節(jié)中數(shù)據(jù)集對(duì)基于FP_Growth關(guān)聯(lián)規(guī)則挖掘算法的ESP測(cè)試自動(dòng)評(píng)分系統(tǒng)進(jìn)行實(shí)驗(yàn)，在不同最小支持度情況下系統(tǒng)運(yùn)行時(shí)間結(jié)果如圖7所示。

圖7 運(yùn)行時(shí)間分析

從圖7可以看出，隨著最小支持度逐漸增大，自動(dòng)評(píng)分系統(tǒng)的運(yùn)行時(shí)間逐漸減少。但是在支持度較大時(shí)，本文提出自動(dòng)評(píng)分方法的評(píng)分精度也會(huì)有所降低，因此需要做出適當(dāng)?shù)钠胶?，本文選取的最小支持度為1.2%。

利用ESP口語(yǔ)比賽數(shù)據(jù)集和人工評(píng)分結(jié)果，對(duì)本文自動(dòng)評(píng)分方法、傳統(tǒng)自動(dòng)評(píng)分方法(VikP)和Adaboost/CT自動(dòng)評(píng)分方法[9]這3種方法進(jìn)行準(zhǔn)確度分析，如表4所示。

表4 3種自動(dòng)評(píng)分方法的準(zhǔn)確度對(duì)比

從表4可以看出，對(duì)于不同的ESP題庫(kù)，雖然比Adaboost/CT方法要低，但是本文自動(dòng)評(píng)分方法的準(zhǔn)確度明顯高于傳統(tǒng)的VikP自動(dòng)評(píng)分方法，更接近人工評(píng)分的結(jié)果。Adaboost/CT方法在準(zhǔn)確度方面優(yōu)于本文方法，這是由于其采用深度學(xué)習(xí)框架，但也導(dǎo)致其運(yùn)行時(shí)間較長(zhǎng)，而本文則是側(cè)重實(shí)時(shí)性，以便配合嵌入式ARM開(kāi)發(fā)需求。另外，噪聲達(dá)到45左右時(shí)，會(huì)對(duì)語(yǔ)音測(cè)試者的識(shí)別造成明顯的干擾，識(shí)別的精度降低，導(dǎo)致最終的評(píng)分性能較差。

4 總結(jié)

本文提出一種基于數(shù)據(jù)挖掘和嵌入式ARM設(shè)備的英語(yǔ)口語(yǔ)自動(dòng)評(píng)分系統(tǒng)。采用ARM開(kāi)發(fā)板實(shí)現(xiàn)音頻信號(hào)的實(shí)時(shí)采集。調(diào)用科大訊飛API接口實(shí)現(xiàn)音頻文件轉(zhuǎn)換生成文本答案，并進(jìn)行聚類(lèi)特征提取。采用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘技術(shù)進(jìn)行預(yù)測(cè)評(píng)分。實(shí)際測(cè)試結(jié)果驗(yàn)證該系統(tǒng)的可行性。但是語(yǔ)音識(shí)別時(shí)的噪聲干擾對(duì)整體性能有一定的影響，降噪問(wèn)題將是后續(xù)工作重點(diǎn)。