Tesprasit et al.,C. Wutiwiwatchai,

Tesprasit et al.,
C. Wutiwiwatchai, S. Furui / Speech Communication 49 (2007) 8–27 15
Author's personal copy
2003b) were based on the same idea, but used machine
learning methods to predict pauses given potential features
extracted from an input sentence. Tesprasit et al. (2003b)
applied collocation of words and the number of syllables
from the previous phrase break to the learning machine.
Both C4.5 and RIPPER have been shown to outperform
the simple POS n-gram model. Hansakunbuntheung et al.
(2005b) extended the experiment by adding other potential
features including POS context and the number of syllables
and words from previous phrase and sentence breaks.
Other types of machine learning including a neural network
(NN) and CART were also compared. The best
results were an 80% break correction rate and a 2.4%
false-break rate given by the CART engine.

ผลลัพธ์ (ไทย) 1:

Tesprasit et al.,C. Wutiwiwatchai, Furui s ได้ / พูดสื่อสาร 49 (2007) 15 8-27คัดลอกส่วนบุคคลของผู้เขียน2003b) ได้ยึดความคิดเดียวกัน แต่ใช้เครื่องเรียนรู้วิธีการทำนายให้คุณลักษณะอาจหยุดชั่วคราวสกัดจากประโยคการป้อนข้อมูล Tesprasit et al. (2003b)ใช้ collocation คำและจำนวนพยางค์จากการแบ่งวลีก่อนหน้าเครื่องเรียนC4.5 และริปเปอร์ได้รับแสดงมีประสิทธิภาพสูงกว่ารุ่นของ n กรัม POS อย่าง Hansakunbuntheung et al(2005b) ขยายทดลองเพิ่มศักยภาพอื่น ๆคุณลักษณะรวมถึงบริบท POS และจำนวนพยางค์และคำพูดก่อนหน้านี้วลีและประโยคแบ่งเรียนรู้เครื่องจักรรวมทั้งเครือข่ายประสาทชนิดอื่น ๆ(NN) และรถเข็นก็ยังเปรียบเทียบ ดีที่สุดก็มีอัตราการแก้ไขแบ่ง 80% และ 2.4%โดยเครื่องยนต์รถอัตราแบ่งเป็นเท็จ

ผลลัพธ์ (ไทย) 2:

Tesprasit et al.,
ซี Wutiwiwatchai เอส Furui / คำพูดการสื่อสารที่ 49 (2007) 27/08 15
สำเนาส่วนบุคคลของผู้เขียน
2003b) อยู่บนพื้นฐานของความคิดที่เหมือนกัน แต่ใช้เครื่องวิธีการเรียนรู้ที่จะคาดการณ์การหยุดรับคุณสมบัติที่มีศักยภาพที่สกัดจากประโยคการป้อนข้อมูล Tesprasit et al, (2003b) นำไปใช้การจัดระเบียบของคำและจำนวนพยางค์จากการแบ่งวลีก่อนที่เครื่องการเรียนรู้. ทั้งสอง C4.5 RIPPER และได้รับการแสดงที่จะมีประสิทธิภาพสูงกว่าPOS รูปแบบที่เรียบง่าย n กรัม Hansakunbuntheung et al. (2005b) ขยายการทดลองโดยการเพิ่มศักยภาพอื่น ๆคุณสมบัติรวมทั้งบริบท POS และจำนวนพยางค์และคำพูดจากวลีที่ก่อนหน้านี้และแบ่งประโยค. ประเภทอื่น ๆ ของการเรียนรู้เครื่องรวมทั้งเครือข่ายประสาท(NN) และรถเข็นยังถูกนำมาเปรียบเทียบ ที่ดีที่สุดของผลการวิจัยพบอัตราการแก้ไขแบ่ง 80% และ 2.4% อัตราการเท็จแบ่งที่ได้รับจากเครื่องยนต์เกวียน

ผลลัพธ์ (ไทย) 3:

ตันสาโรจน์วนิช et al . ,
c wutiwiwatchai เอส ฟูรูอิ / การพูดสื่อสาร 49 ( 2550 ) 8 – 27 15

ส่วนตัวของผู้เขียนคัดลอก 2003b ) ขึ้นอยู่กับความคิดเดียวกัน แต่ใช้เครื่อง
การเรียนรู้วิธีการทำนายการระบุคุณสมบัติศักยภาพ
สกัดจากประโยค . ตันสาโรจน์วนิช และคณะ ( 2003b )
ประยุกต์ร่วมของคำและจำนวนพยางค์
จากวลีก่อนหน้าที่จะหยุด
การเรียนรู้เครื่องและทั้งสองโปรแกรม C4.5 Ripper ได้รับการแสดงที่จะดีกว่า
n-gram ง่าย POS แบบ hansakunbuntheung et al .
( 2005b ) ขยายการทดลองโดยการเพิ่มคุณสมบัติอื่น ๆรวมถึงศักยภาพ
บริบท POS และจำนวนพยางค์และคำ จากประโยคก่อนหน้าและ

แบ่งประโยค ประเภทอื่น ๆของการเรียนรู้เครื่องรวมทั้ง
โครงข่ายประสาท ( NN ) และรถเข็นยังเปรียบเทียบ ดีที่สุด
ผลลัพธ์ที่ได้ 80% แบ่งการแก้ไขอัตราและ 2.4 %
เท็จแบ่งคะแนนให้ โดยรถยนต์