Key points are not available for this paper at this time.
提出了一种新的基于循环神经网络的语言模型（RNN LM），并应用于语音识别。结果表明，通过使用多个RNN LM的混合，相较于最先进的回退语言模型，可以实现约50%的困惑度降低。语音识别实验显示，在同等训练数据条件下，Wall Street Journal任务上的词错误率降低约18%，而在更困难的NIST RT05任务上，即使回退模型训练使用了更多数据，仍实现了约5%的词错误率降低。我们提供了大量实证证据，表明连接主义语言模型优于传统的n-gram技术，唯一不足是其较高的计算（训练）复杂度。关键词：语言建模，循环神经网络，语音识别
Building similarity graph...
Analyzing shared references across papers
Loading...
Tomáš Mikolov
Martin Karafiát
Lukáš Burget
Johns Hopkins University
Brno University of Technology
Building similarity graph...
Analyzing shared references across papers
Loading...
Mikolov 等人（Sun，）研究了这个问题。
www.synapsesocial.com/papers/69df087bb46aaead8161406d — DOI: https://doi.org/10.21437/interspeech.2010-343
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: