minelaru
fanbox
【限】最適化
🕑 Added 2023-05-16 15:28:42 +0000 UTC前回した、リストの「最適化」ですが、
あれは、純粋に必要なエイリアスを、
「前からの要素を拾っていって最大効率になる手法」といえます。
⇒つまり貪欲法です。
ここで別途、疑問に思ったのが
「辞書データとして使用している、cmdict全体を「もし録ったら」というダミーデータを仮に作って(*1)、oto.iniを生成させ、それを上記の貪欲法の手法で単語を抜き出せば、cmudict全体からミニマライズした英単語リストが作れるのではないか？」という疑問です。
結果、それらしいリストにはなります。ただ以下の図を見てもらえれば分かりますが、正確にはあまりよくないリストになります。
ソートされた単語リストを使えば、当然、前から単語が選ばれがちになります。
1132単語で収録できるようですが、そのうち716個が「a」から始まるものとなってしまいます。これはよくありません。
これを、プログラミングよわよわでも実装できそうな、多点出発局所探索法を使用して、最適化を行いました。
50回試行させると最終的に200個くらい減って、904単語を録ればcmudict全体の音素を録れるリストができました。
逆にこの結果から、
リストの英単語数が900ぐらいを超えているのであれば、読みやすさを重視するあまり、冗長部分が過分になっていることがわかります。
じゃあ、
「自分が作っていたリストでそれをこれやったらいくつ減るのかな？わくわく！」
って思って実行してみました。
その結果、617単語だったところ、571単語まで減り、更に46語も減らすことができました。かなり現実的なリストになってきてる実感が湧いてきていて、自分としてもなかなか良いものができつつあるんじゃないのかな？と思ってしまうところであります
（＊１）ダミーデータを作る処理
index.csvを分解して、
＝＝＝＝＝sample.txt＝＝＝＝＝
ダミーラベル時刻 ダミーラベル時刻 sil
ダミーラベル時刻 ダミーラベル時刻 ラベルname
…
ダミーラベル時刻 ダミーラベル時刻 sil
＝＝＝＝＝ ＝＝＝＝＝
という感じで分解するものを作れば「録った」ことになる。
…まぁ、いちいち実際にtxtファイルを作らずにデータとして処理した方が速そうですが…
