2．數(shù)據(jù)挖掘的過程

　　數(shù)據(jù)挖掘過程可粗略地分為：問題定義（task definition）、數(shù)據(jù)準備和預(yù)處理（data preparation and preprocessing）、數(shù)據(jù)挖掘（data mining）以及結(jié)果的解釋和評估（interpretation and evaluation）等階段。

　　問題定義 在該過程中，數(shù)據(jù)挖掘人員必須與領(lǐng)域?qū)＜壹白罱K用戶緊密協(xié)作，一方面明確實際工作對數(shù)據(jù)挖掘的要求，另一方面通過對各種學習算法的對比進而確定可用的學習算法。后續(xù)的學習算法選擇和數(shù)據(jù)集準備都是在此基礎(chǔ)上進行的。

　　數(shù)據(jù)挖掘 該階段首先根據(jù)對問題的定義明確挖掘的任務(wù)或目的，如分類、聚類、關(guān)聯(lián)規(guī)則發(fā)現(xiàn)或序列模式發(fā)現(xiàn)等。之后要決定使用什么樣的算法。選擇實現(xiàn)算法要考慮兩個因素：一是不同的數(shù)據(jù)有不同的特點，因此，需要用與之相關(guān)的算法來挖掘;二是要根據(jù)用戶或?qū)嶋H運行系統(tǒng)的要求，有的用戶可能希望獲取描述型的（descriptive）、容易理解的知識（采用規(guī)則表示的挖掘方法顯然要好于神經(jīng)網(wǎng)絡(luò)之類的方法），而有的用戶只是希望獲取預(yù)測準確度盡可能高的預(yù)測型（predictive）知識，并不在意獲取的知識是否易于理解。

　　結(jié)果解釋和評估 數(shù)據(jù)挖掘階段發(fā)現(xiàn)的模式，經(jīng)過評估，可能存在冗余或無關(guān)的模式，這時需要將其剔除;模式也有可能不滿足用戶要求，這時則需要整個發(fā)現(xiàn)過程回退到前續(xù)階段，如重新選取數(shù)據(jù)、采用新的數(shù)據(jù)變換方法、設(shè)定新的參數(shù)值，甚至換一種算法等。

3．挖掘結(jié)果質(zhì)量評價

　　數(shù)據(jù)挖掘結(jié)果質(zhì)量的好壞有兩個影響因素：一是所采用的數(shù)據(jù)挖掘技術(shù)的有效性，二是用于挖掘的數(shù)據(jù)的質(zhì)量和數(shù)據(jù)量。如果選擇了錯誤的數(shù)據(jù)或不適當?shù)膶傩裕驅(qū)?shù)據(jù)進行了不適當?shù)霓D(zhuǎn)換，則挖掘結(jié)果不會好。整個挖掘過程是一個不斷反饋的過程。

4．主要模型

(1) 關(guān)聯(lián)規(guī)則模型

　　發(fā)現(xiàn)數(shù)據(jù)庫中數(shù)據(jù)項之間的相互關(guān)系是十分重要的，根據(jù)這種關(guān)系可以使用戶從數(shù)據(jù)中找到有意義的模式和趨勢。以超級市場為例，每個記錄包含了一次采購商品的列表，其中關(guān)聯(lián)關(guān)系告訴我們兩件或更多商品之間的關(guān)系。如80%的顧客購買了面包和牛奶，其中有60%的顧客在買面包的同時買了牛奶。我們把這種面包和牛奶之間的關(guān)聯(lián)關(guān)系用下列規(guī)則方式表示為:面包→ 牛奶 |（60%，80%）。數(shù)據(jù)項的關(guān)聯(lián)關(guān)系也可以在多個項之間產(chǎn)生，例如：面包、牛奶 → 甜醬 | （60%，40%）等。目前采用的典型關(guān)聯(lián)算法有Aprioir算法和PHP散列表算法等。

(2) 神經(jīng)網(wǎng)絡(luò)模型

　　神經(jīng)網(wǎng)絡(luò)方法是模擬人腦神經(jīng)元結(jié)構(gòu)，以MP模型和Hebb學習規(guī)則為基礎(chǔ)而建立的，主要有三大類多種神經(jīng)網(wǎng)絡(luò)模型。

　　前饋式網(wǎng)絡(luò) 以感知機、反向傳播模型、函數(shù)型網(wǎng)絡(luò)為代表，可用于預(yù)測、模式識別等方面。

　　反饋式網(wǎng)絡(luò) 以Hopfield的離散模型和連續(xù)模型為代表，分別用于聯(lián)想記憶和優(yōu)化計算。

　　自組織網(wǎng)絡(luò) 以ART模型、Kohonen模型為代表，用于聚類。

　　神經(jīng)網(wǎng)絡(luò)的知識體現(xiàn)在網(wǎng)絡(luò)連接的權(quán)值上，是一個分布式矩陣結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)的學習體現(xiàn)在神經(jīng)網(wǎng)絡(luò)權(quán)值的逐步計算上（包括反復(fù)迭代或累加計算）。

(3) 粗糙集理論模型

　　粗糙集理論是一種研究不精確、不確定性知識的數(shù)學工具，由波蘭科學家Z.Pawlak于1982年首先提出。粗糙集的研究主要基于分類。分類和概念（concept）同義，一種類別對應(yīng)于一個概念（類別一般表示為外延即集合，而概念常以內(nèi)涵的形式表示如規(guī)則描述）。知識由概念組成，如果某知識中含有不精確概念，則該知識不精確。粗糙集對不精確概念的描述方法是:通過上近似概念和下近似概念這兩個精確概念來表示。一個概念（或集合）的下近似（lower approximation）概念（或集合）指的是，其下近似中的元素肯定屬于該概念；一個概念（或集合）的上近似（upper approximation）概念（或集合）指的是，其上近似中的元素可能屬于該概念。粗糙集方法有幾個優(yōu)點:不需要預(yù)先知道額外信息，如統(tǒng)計中要求的先驗概率和模糊集中要求的隸屬度;算法簡單、易于操作。

在語音信號處理中的應(yīng)用

　　目前，數(shù)據(jù)挖掘研究主要集中在對新的算法及新的類型的研究上。由于對數(shù)據(jù)挖掘方法的研究不僅涉及數(shù)據(jù)挖掘的算法，同時對于需要處理的數(shù)據(jù)類型也有很高的要求，傳統(tǒng)的數(shù)據(jù)挖掘的對象主要是超級市場中貨籃型數(shù)據(jù)及經(jīng)濟型數(shù)據(jù)，幾乎很少涉及語音數(shù)據(jù)的挖掘研究。這一方面是由于語音數(shù)據(jù)非常復(fù)雜，包含很多信息，如基頻信息、時長信息、幅度信息、位置信息以及重音信息等，簡單來說就是同一個音節(jié)在不同的語句中會表現(xiàn)出不同的信息特征，即不同的語境會使音節(jié)自身的屬性值發(fā)生變化，且語音數(shù)據(jù)是一種時序數(shù)據(jù)，在一句話中音節(jié)的排列是有先后順序的，同時語音音節(jié)之間也存在著很強的音聯(lián)關(guān)系。所有這些信息特征對整個合成系統(tǒng)輸出的可懂度以及自然度會產(chǎn)生很大影響。

　　另一方面，語音數(shù)據(jù)挖掘的研究需要研究者在語音合成工作積累的基礎(chǔ)上才能有效地進行。由于數(shù)據(jù)挖掘技術(shù)對處理對象的要求很高，因此，直接錄制音節(jié)的波形文件是無法處理的，必須經(jīng)過嚴格的預(yù)處理過程，如對錄音波形進行音節(jié)切分和音節(jié)標注，這需要大量的人力和物力資源。沒有強大的語音處理能力的積累是不可能的。清華大學語音處理實驗室長期從事語音信號的研究，具有豐富的語音數(shù)據(jù)源，即我們通常所說的“熟語料”，這使基于數(shù)據(jù)驅(qū)動的挖掘研究成為可能。將數(shù)據(jù)挖掘技術(shù)應(yīng)用于語音信號處理可以解決部分現(xiàn)階段較難解決的語音技術(shù)難題，同時盡可能減少人為經(jīng)驗因素對語音處理的影響，完成對語音處理從定性到定量的轉(zhuǎn)變。因此，將數(shù)據(jù)挖掘方法應(yīng)用于語音合成具有重要的意義和廣闊的前景。

1．關(guān)聯(lián)規(guī)則模型獲得漢語韻律參數(shù)之間的關(guān)聯(lián)關(guān)系

　　語音合成經(jīng)歷了長期的研究發(fā)展過程，完成了從實驗室向市場應(yīng)用的過渡，但是，合成系統(tǒng)輸出的語音機器味仍然比較濃，與人類自然流暢的發(fā)音相比還有較大的差距。這其中主要是受到系統(tǒng)中韻律模塊研究的制約，由于韻律模塊無法對復(fù)雜的韻律特征進行有效描述，因此，合成系統(tǒng)的輸出就受到了很大的影響。

　　韻律特征主要是指音節(jié)的時長、基頻的包絡(luò)變化、能量的變化及適當?shù)耐ｎD等眾多參數(shù)屬性，在這些屬性中，對合成系統(tǒng)的自然度影響最顯著的是音節(jié)的基頻變化和音長的變化。目前，合成系統(tǒng)中的基頻變化規(guī)律大多是根據(jù)語言學的研究得出的一些定性的描述，這些定性規(guī)則能夠為合成過程提供一些參考，但是無法在合成過程中直接使用這些規(guī)則，而且這些規(guī)則也很難覆蓋所有的基頻變化現(xiàn)象，同時對這些規(guī)則的維護和完善也很困難，在具體應(yīng)用中仍存在較大的不足。由于韻律規(guī)則在語音合成中發(fā)揮著重要作用，迫切需要采用新的處理方法加以解決。

　　數(shù)據(jù)挖掘技術(shù)中關(guān)聯(lián)規(guī)則模型可以很好地發(fā)現(xiàn)數(shù)據(jù)項之間存在的相互關(guān)系，同時有大量的挖掘算法可供選擇，因此，基于關(guān)聯(lián)規(guī)則的模型可以從大規(guī)模語音庫中提取更為全面和準確的語音韻律相互關(guān)系。首先通過對“熟語料”庫中基頻數(shù)據(jù)和時長數(shù)據(jù)進行預(yù)處理，離散化成相應(yīng)的屬性值，獲得前后音節(jié)的基頻信息和時長信息之間的關(guān)聯(lián)關(guān)系，從而加以指導(dǎo)合成系統(tǒng)的選音，滿足在不同語境下音節(jié)參數(shù)變化的需求。

2．數(shù)據(jù)挖掘技術(shù)獲得漢語韻律的變化規(guī)律

　　在傳統(tǒng)的語音研究中，往往是用手工得到語音的基頻，求出其調(diào)值，然后根據(jù)不同情況下調(diào)值的變化得到連續(xù)變調(diào)規(guī)律，再將其應(yīng)用于語音合成系統(tǒng)中進行韻律控制。這是在定性基礎(chǔ)上進行的研究，存在很多不足之處。一方面，由于語音數(shù)據(jù)的變化隨機性很大，對少量的語音數(shù)據(jù)進行處理不能得到較為全面的變調(diào)規(guī)律，而大量語音數(shù)據(jù)如果完全用人工來處理，工作量會很大;另一方面，用人工進行語音數(shù)據(jù)處理，往往會由于一些先入為主的概念而很難得到較為完全的規(guī)律。

　　基于語音合成中的基音同步疊加技術(shù)，可利用數(shù)據(jù)挖掘技術(shù)進行韻律變化規(guī)律的學習，采用數(shù)據(jù)挖掘技術(shù)中的神經(jīng)網(wǎng)絡(luò)方法、數(shù)據(jù)項聚類以及粗糙集理論的有機結(jié)合進行綜合評判，利用神經(jīng)網(wǎng)絡(luò)具有的自組織和自學習特性，將經(jīng)過聚類處理的語音基頻數(shù)據(jù)和時長數(shù)據(jù)分別轉(zhuǎn)化成神經(jīng)網(wǎng)絡(luò)的輸入和輸出節(jié)點，經(jīng)過網(wǎng)絡(luò)學習來獲得一些典型的基頻曲線和時長映射關(guān)系。由于神經(jīng)網(wǎng)絡(luò)自身理論還存在不夠完善的地方，因此，可以輔助以粗糙集理論進行適當?shù)男拚�，以獲得期望的模式。在這些映射的基礎(chǔ)上，可通過簡單的變換獲得典型模式，利用這些典型模式，就可在定量的基礎(chǔ)上，對基頻的變化規(guī)律從較高層次進行韻律規(guī)則的研究。

3．基于數(shù)據(jù)驅(qū)動方式的重音確定

　　在連續(xù)語流中，各音節(jié)的響亮程度并不完全相同，有的音節(jié)聽起來比其他音節(jié)重，簡單地說，這就是重音。以詞為考查對象，音位學可劃分為正常重音、對比重音和弱重音。人們在口語交流中，常把在表情傳意方面較重要的詞讀得重些，把其余的詞讀得輕些。語句重音是指由于句子語法結(jié)構(gòu)、邏輯語義或心理情感表達的需要而產(chǎn)生的句子中的重讀音，它不同于詞重音，因為詞重音只出現(xiàn)在詞結(jié)構(gòu)中。語句重音一般分為三種:語音重音、邏輯重音、心理重音。

　　通常研究者認為，重音的聲學征兆主要表現(xiàn)在時長、音高與音強三個方面，也往往是三者的結(jié)合。不同語言的重音特點不一樣，對于漢語，老一輩語音學家趙元任先生認為，“漢語重音首先是延長持續(xù)時間和擴大調(diào)域，其次才是增加強度。”現(xiàn)代語音學家也認為，漢語重音主要表現(xiàn)在時長的增加（或者說是基音周期數(shù)的增加）；其次是調(diào)域的擴大和音高的提升，調(diào)型完整地展開；與發(fā)音強度的關(guān)系并不是主要的。

　　以上都是定性的分析，從定性到定量的轉(zhuǎn)換是采用基于數(shù)據(jù)驅(qū)動的方式進行，從大量語料數(shù)據(jù)本身的特點來分析重音，并且依據(jù)重音的特點輔助以韻律學規(guī)律，合成更自然的語音信號。

　　數(shù)據(jù)挖掘是一種在大量數(shù)據(jù)庫中發(fā)現(xiàn)隱藏新知識的計算技術(shù)方法。數(shù)據(jù)挖掘提取的是定性的模型，并且很容易被轉(zhuǎn)化為邏輯規(guī)則或用可視化的形式表達。因此，將數(shù)據(jù)挖掘與人機交互接口緊密聯(lián)系在一起將對計算機語音信號處理的研究工作產(chǎn)生巨大的推動力，為語音信號處理提供了一條嶄新的研究途徑�？梢灶A(yù)見，采用數(shù)據(jù)挖掘方法可以較好地解決目前語音信號處理中部分難點問題，從而進一步提高語音合成和語音識別技術(shù)的實用化程度。

《計算機世界》 2001/06/04