WFST 语音识别

本人最近在研究语音识别的生成Graph和Lattice的模块，其中用到了WFST这个概念，惊叹于它的神奇也被它的复杂搞得晕头转向。于是决定静下心来仔细研读了Mohri大牛的Speech Recognition with Weighted Finite-state Transducer这篇论文和一些相关资料，算是入门了其中的算法，有些体悟在这里和大家一起探讨，也算是对自己近期学习的一个总结。本系列会先引入WFST的概念，然后介绍它的三大算法：Composition、Determinization和Minimization，最后介绍WFST在语音识别中的应用，即HCLG的操作。

首先先明确几个概念。有限状态转换器FST(finite-state transducer) 和加权有限状态转换器WFST(weighted finite-state transducer)的不同就是后者转移路径上附有权重；而WFST和WFSA(weighted finite-state acceptor)的区别就是前者的状态转移上的label既有输入又有输出而后者只有一个label。我们用WFST来表征ASR中的模型（HCLG），可以更方便的对这些模型进行融合和优化，于是可以作为一个简单而灵活的ASR的解码器（simple and flexible ASR decoder design）。

WFST是基于半环代数理论的，在介绍半环之前我先简单的说一下群和半群。

群（Group）：G为非空集合，如果在G上定义的二元运算*，满足：
（1）封闭性（Closure）：对于任意a,b∈G;
（2）结合律（Associativity）：对于任意a,b,c∈G,(a∗b)∗c=a∗(b∗c);
（3）幺元（Identity）：存在幺元e，使得对于任意a∈G,e∗a=a∗e=a;
（4）逆元：对于任意a∈.
则称（G,*）为群。

半群（Semigroup）：仅满足封闭性和结合律群称为半群；如果还包含幺元，则成为幺元半群。

介绍完群和半群，我们就引入半环的概念，半环代数理论始于19世纪末，属于抽象代数的范畴，1934年Vandiver首次对它做了较为系统的研究。

半环（semiring）：指具有两个二元运算”+ “和”⋅ “的非空集合S，且满足：
（1）（S,+）和（S,⋅）都是半群；
（2）（∀.
半环的表现形式是（K，⨁是两个二元操作，’0’和’1’是特定的（designated）零元素和幺元素（不一定是真正的数0和数1）。下表是一些常见的半环结构实例：

在文本和语音处理中最常用的的是后面两个，即log半环和tropical半环，前者是通过-log来映射而后者是在log半环的基础上使用了Viterbi Approximation（有大神能帮忙解释一下这个估计么…）
半环有一些简单的性质（这几个性质不是很好翻译,希望有大神提供~）：
（1）weakly left-divisble:对K中任意的x和y，如果x⨁y≠′0′
（2）⨂
（3）zero-sum-free：对K中任意的x和y，如果x⨁y=′0′
概率半环，log半环和tropical半环都是zero-sum-free的。

定义了半环结构，就可以利用它来表征一个WFST了。知道这些字母的含义就可以看懂后面的伪代码了。
T=(A,B,Q,I,F,E,λ,ρ)
T上的WFST，
A表示一个有限的输入集，
B表示一个有限的输出集，
Q表示一个有限的状态集，
I，
F，
E）
λ表示结束状态的权重，
E[q]表示离开状态q的所有状态转移的集合。

从状态转移的角度来看，如果一个状态转移 e∈E，则：
p[e]表示这个转移的到达状态，
i[e]表示这个转移上的权重值。
那么，一条路径（path）就是一连串的转移，π=e1⋯ek。

定义完半环结构上的集合，那么接下来就是对它们的二元运算了。
一整条路径的权重w[π];
那么多个有限路径集合的权重w[R]。

有了上面的基础，宏观的看一个规范的(regulated)WFST可以表示为：

其中，P(p,x,y,q)。

定义完了一个WFST，下面就准备开始介绍三大算法啦~~~~码了好多字好累…

(function () {('pre.prettyprint code').each(function () { var lines = (this).text().split(′\n′).length;varnumbering = $('

').addClass('pre-numbering').hide(); (this).addClass(′has−numbering′).parent().append(numbering); for (i = 1; i