论文部分内容阅读
当今社会,互联网在线教学和课堂面对面教学是教育行业两种主要的教学方式,互联网在线教学打破课堂面对面教学在时间、空间的限制,为学习者提供丰富的教学资源和多样的学习平台。然而,学习多样化改变的同时,学习辅助工具并没有突破性的进展,尤其是视频云笔记。视频云笔记作为学习者和视频资源交互的工具,可以提供便捷的笔记记录方式、完善的笔记分享机制及个性化的笔记服务。一个完善的视频云笔记可以发挥笔记内容的潜能,挖掘教学视频的重点和难点,也有利于帮助学习者构建完善的知识体系。现有的视频云笔记中,学习者采用传统键盘输入方式记录笔记,同时观看视频和操作键盘会降低学习者学习效率,如果能将便捷且人机交互性好的语音识别技术融入其中,则会很大程度改善这一现象。而且在视频学习过程中,学习者只重视笔记内容的回忆巩固,研究人员也对学习者笔记内容的分析研究知之甚微,这样不利于发挥笔记内容的潜在作用。基于以上问题,本文的主要贡献如下:1、对语音识别技术中的DNN-HMM声学模型进行研究。分析深度神经网络模型的组成和训练,结合隐马尔科夫模型建立基于视频云笔记的DNN-HMM声学模型,将它们进行解析、设计和训练,采用THCHS30中文语料库和人工录制的实验数据测试DNN-HMM声学模型在视频云笔记语音识别中的准确率。实验结果表明,该模型的词错误率和句错误率都低于传统的GMM-HMM模型,能够有效提高视频云笔记的学习质量。2、深入分析学习者笔记内容,利用TF-IDF算法提取笔记内容热点。首先针对传统TF-IDF算法对笔记内容热点提取中的不足,并结合笔记篇幅简短、言简意赅、标题正文分开的特点,提出一种基于笔记内容热点分析的改进算法TF-IDF-G,在算法中引入笔记词性和位置权重因子。然后对笔记内容进行中文分词、词性标记和位置获取处理。最后采用学习平台笔记数据集验证TF-IDF-G算法在笔记内容热点提取的正确性。最后,以西安电子科技大学网络与继续教育学院学习平台为对象,实现一款面向在线学习的视频云笔记。把训练好的DNN-HMM声学模型应用到视频云笔记的语音听写笔记记录中,并采用TF-IDF-G算法对笔记内容进行分析,提取笔记内容热点。实验表明,DNN-HMM声学模型和TF-IDF-G算法能够有效改善互联网教育的视频学习机制,从而提高学习者的学习热情和效率。