Engineering & Technologies, 2016, 9(8), 1291-1301 ~ ~ ~ УДК 004.934.2 On Applicability of Recurrent Neural Networks to Language Modelling for Infl ective Languages Mikhail S. Kudinov* Samsung R&D Center Russia 1 corp., 12, Dvintsev, Moscow, 127018, Russia Received 20.04.2016, received in revised form 09.06.2016, accepted 12.09.2016 Standard version of recurrent neural network language model (RNNLM) has shown modest results in language modelling of Russian. <...> In this paper we present a special modifi cation of RNNLM making separate predictions of lemmas and morphology. <...> Keywords: language models, recurrent neural network, infl ected languages, speech recognition. <...> On applicability of recurrent neural networks to language modelling for infl ective languages, J. <...> О применимости рекуррентных нейронных сетей к задаче статистического моделирования русского языка М.С. Кудинов ООО «Исследовательский центр Samsung» Россия, 127018, Москва, ул. <...> 1 В статье представлены данные экспериментов по использованию рекуррентных нейронных сетей для языкового моделирования русского языка. <...> Ранее уже была продемонстрирована невысокая эффективность стандартной архитектуры рекуррентной нейронной сети для моделирования русского языка. <...> В данной статье рассматривается модель, осуществляющая предсказание леммы и морфологии последующего слова отдельно. <...> Показано, что модель, использующая только леммы, превосходит n-граммную модель Кнессера-Нея как по перплексии, так и в простом эксперименте по ранжированию гипотез в распознавании речи. <...> В то же время попытки внедрения морфологии в обучение нейронной сети не приводят к улучшениям. <...> Ключевые слова: языковые модели, рекуррентная нейронная сеть, флективные языки, распознавание речи. <...> All rights reserved * Corresponding author E-mail address: mikhailkudinov@gmail.com # 1291 # Mikhail S. Kudinov. <...> On Applicability of Recurrent Neural Networks to Language Modelling for Infl ective Languages Введение Известно, что проблема статистического моделирования флективных языков представляет большую сложность, чем английского языка [1]. <...> Обе проблемы в результате усиливают разреженность данных и снижают <...>