语言模型用来估计句子的可能性(sentence)
语料库（corpus）指的是很大的某种语言（例如英语）句子组成的文本。通过将语料库中的每个单词映射成索引（例如独热向量）形成字典。可以按需在字典中添加句子末尾标志<EOS>（end of sentence）和对应未出现在字典中的低频词的标志<UNK>（unknown words）作为补充。
示意图中的每一个表示一个预测值（单词），、是预输入向量，均为，表示序列长度。
假如我们在训练集中得到一句话：Cats average 15 hours of sleep a day. 首先将每个词标记为、、等，即标签值。
语言模型第一个激活项的输出是，他是通过softmax预测字典中每一个词作为第一个词的概率。不管预测结果是什么，将结果作为第二个激活项的输入，经过相同的操作通过softmax获得的输出是条件概率()，依次类推第三个输出是()……
在某个时间步t正确的词是，softmax预测值是，则单个预测的损失函数是
(,)=
总体损失函数是
当一个句子很长时，预测一个词时考虑之前所有的词不现实，这时出现了-语言模型。他使用了马尔科夫模型，即任意一个词出现的概率只与它前面出现的n-1个词有关。
根据n值的不同分为（n=1，即每个词都是独立的）、（n=2，即每个词跟他之前的一个词有关）、（n=3，即每个词跟他之前的两个词有关）……从模型的效果来看，理论上n的取值越大，效果越好。但随着n取值的增加，效果提升的幅度是在下降的。
际应用中还会遇到一个问题：数据稀疏，解决方法介绍加法平滑。
假设有一个词组在训练语料中没有出现过，那么它的频次就为0，但实际上显然不能认为它出现的概率为0，我们无法保证训练语料的完备性。那么，解决的方法是什么？如果我们默认每一个词组都出现至少1次呢，无论词组出现的频次是多少，都往上加1，这就能够解决未出现词组概率为0的问题了。
