--- language: gu language_name: Gujarati language_family: indoaryan_central tags: - wikilangs - nlp - tokenizer - embeddings - n-gram - markov - wikipedia - feature-extraction - sentence-similarity - tokenization - n-grams - markov-chain - text-mining - fasttext - babelvec - vocabulous - vocabulary - monolingual - family-indoaryan_central license: mit library_name: wikilangs pipeline_tag: text-generation datasets: - omarkamali/wikipedia-monthly dataset_info: name: wikipedia-monthly description: Monthly snapshots of Wikipedia articles across 300+ languages metrics: - name: best_compression_ratio type: compression value: 4.347 - name: best_isotropy type: isotropy value: 0.7575 - name: vocabulary_size type: vocab value: 0 generated: 2026-01-10 --- # Gujarati - Wikilangs Models ## Comprehensive Research Report & Full Ablation Study This repository contains NLP models trained and evaluated by Wikilangs, specifically on **Gujarati** Wikipedia data. We analyze tokenizers, n-gram models, Markov chains, vocabulary statistics, and word embeddings. ## ๐Ÿ“‹ Repository Contents ### Models & Assets - Tokenizers (8k, 16k, 32k, 64k) - N-gram models (2, 3, 4, 5-gram) - Markov chains (context of 1, 2, 3, 4 and 5) - Subword N-gram and Markov chains - Embeddings in various sizes and dimensions (aligned and unaligned) - Language Vocabulary - Language Statistics ![Performance Dashboard](visualizations/performance_dashboard.png) ### Analysis and Evaluation - [1. Tokenizer Evaluation](#1-tokenizer-evaluation) - [2. N-gram Model Evaluation](#2-n-gram-model-evaluation) - [3. Markov Chain Evaluation](#3-markov-chain-evaluation) - [4. Vocabulary Analysis](#4-vocabulary-analysis) - [5. Word Embeddings Evaluation](#5-word-embeddings-evaluation) - [6. Morphological Analysis (Experimental)](#6--morphological-analysis-experimental) - [7. Summary & Recommendations](#7-summary--recommendations) - [Metrics Glossary](#appendix-metrics-glossary--interpretation-guide) - [Visualizations Index](#visualizations-index) --- ## 1. Tokenizer Evaluation ![Tokenizer Compression](visualizations/tokenizer_compression.png) ![Tokenizer Fertility](visualizations/tokenizer_fertility.png) ![Tokenizer OOV](visualizations/tokenizer_oov.png) ![Total Tokens](visualizations/tokenizer_total_tokens.png) ### Results | Vocab Size | Compression | Avg Token Len | UNK Rate | Total Tokens | |------------|-------------|---------------|----------|--------------| | **8k** | 3.375x | 3.38 | 0.3164% | 854,027 | | **16k** | 3.770x | 3.77 | 0.3535% | 764,449 | | **32k** | 4.098x | 4.10 | 0.3842% | 703,344 | | **64k** | 4.347x ๐Ÿ† | 4.35 | 0.4076% | 662,946 | ### Tokenization Examples Below are sample sentences tokenized with each vocabulary size: **Sample 1:** `เชธเชฟเช•เชฐ เชญเชพเชฐเชค เชฆเซ‡เชถเชจเชพ เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เชฐเชพเชœเชธเซเชฅเชพเชจ เชฐเชพเชœเซเชฏเชจเซเช‚ เชเช• เชจเช—เชฐ เช›เซ‡. เชธเชฟเช•เชฐเชฎเชพเช‚ เชธเชฟเช•เชฐ เชœเชฟ...` | Vocab | Tokens | Count | |-------|--------|-------| | 8k | `โ–เชธเชฟเช• เชฐ โ–เชญเชพเชฐเชค โ–เชฆเซ‡เชถเชจเชพ โ–เชชเชถเซเชšเชฟเชฎ โ–เชญเชพเช—เชฎเชพเช‚ โ–เช†เชตเซ‡เชฒเชพ โ–เชฐเชพเชœเชธเซเชฅเชพเชจ โ–เชฐเชพเชœเซเชฏเชจเซเช‚ โ–เชเช• ... (+11 more)` | 21 | | 16k | `โ–เชธเชฟเช• เชฐ โ–เชญเชพเชฐเชค โ–เชฆเซ‡เชถเชจเชพ โ–เชชเชถเซเชšเชฟเชฎ โ–เชญเชพเช—เชฎเชพเช‚ โ–เช†เชตเซ‡เชฒเชพ โ–เชฐเชพเชœเชธเซเชฅเชพเชจ โ–เชฐเชพเชœเซเชฏเชจเซเช‚ โ–เชเช• ... (+11 more)` | 21 | | 32k | `โ–เชธเชฟเช•เชฐ โ–เชญเชพเชฐเชค โ–เชฆเซ‡เชถเชจเชพ โ–เชชเชถเซเชšเชฟเชฎ โ–เชญเชพเช—เชฎเชพเช‚ โ–เช†เชตเซ‡เชฒเชพ โ–เชฐเชพเชœเชธเซเชฅเชพเชจ โ–เชฐเชพเชœเซเชฏเชจเซเช‚ โ–เชเช• โ–เชจเช—เชฐ ... (+9 more)` | 19 | | 64k | `โ–เชธเชฟเช•เชฐ โ–เชญเชพเชฐเชค โ–เชฆเซ‡เชถเชจเชพ โ–เชชเชถเซเชšเชฟเชฎ โ–เชญเชพเช—เชฎเชพเช‚ โ–เช†เชตเซ‡เชฒเชพ โ–เชฐเชพเชœเชธเซเชฅเชพเชจ โ–เชฐเชพเชœเซเชฏเชจเซเช‚ โ–เชเช• โ–เชจเช—เชฐ ... (+9 more)` | 19 | **Sample 2:** `เชนเชธเชฎเซเช– เชชเชŸเซ‡เชฒ เช—เซเชœเชฐเชพเชคเชจเชพ เช…เชฎเชฐโ€Œเช‡เชตเชพเชกเซ€ เชฒเซ‹เช•เชธเชญเชพ เชฎเชค เชตเชฟเชธเซเชคเชพเชฐเชฎเชพเช‚เชฅเซ€ เชฒเซ‹เช•เชธเชญเชพ เชšเซ‚เช‚เชŸเชฃเซ€เชฎเชพเช‚ เชญเชพเชฐเชคเซ€เชฏ เชœเชจเชค...` | Vocab | Tokens | Count | |-------|--------|-------| | 8k | `โ–เชน เชธ เชฎเซเช– โ–เชชเชŸเซ‡เชฒ โ–เช—เซเชœเชฐเชพเชคเชจเชพ โ–เช…เชฎเชฐ โ–เช‡ เชตเชพเชกเซ€ โ–เชฒเซ‹เช•เชธเชญเชพ โ–เชฎเชค ... (+14 more)` | 24 | | 16k | `โ–เชนเชธเชฎเซเช– โ–เชชเชŸเซ‡เชฒ โ–เช—เซเชœเชฐเชพเชคเชจเชพ โ–เช…เชฎเชฐ โ–เช‡ เชตเชพเชกเซ€ โ–เชฒเซ‹เช•เชธเชญเชพ โ–เชฎเชค โ–เชตเชฟเชธเซเชคเชพเชฐเชฎเชพเช‚เชฅเซ€ โ–เชฒเซ‹เช•เชธเชญเชพ ... (+11 more)` | 21 | | 32k | `โ–เชนเชธเชฎเซเช– โ–เชชเชŸเซ‡เชฒ โ–เช—เซเชœเชฐเชพเชคเชจเชพ โ–เช…เชฎเชฐ โ–เช‡ เชตเชพเชกเซ€ โ–เชฒเซ‹เช•เชธเชญเชพ โ–เชฎเชค โ–เชตเชฟเชธเซเชคเชพเชฐเชฎเชพเช‚เชฅเซ€ โ–เชฒเซ‹เช•เชธเชญเชพ ... (+11 more)` | 21 | | 64k | `โ–เชนเชธเชฎเซเช– โ–เชชเชŸเซ‡เชฒ โ–เช—เซเชœเชฐเชพเชคเชจเชพ โ–เช…เชฎเชฐ โ–เช‡ เชตเชพเชกเซ€ โ–เชฒเซ‹เช•เชธเชญเชพ โ–เชฎเชค โ–เชตเชฟเชธเซเชคเชพเชฐเชฎเชพเช‚เชฅเซ€ โ–เชฒเซ‹เช•เชธเชญเชพ ... (+11 more)` | 21 | **Sample 3:** `เชœเชฏ เชนเชฟเชจเซเชฆ เช—เซเชœเชฐเชพเชคเซ€ เชญเชพเชทเชพเชจเซเช‚ เชเช• เชฐเซ‹เชœเซ€เช‚เชฆเซ เชธเชฎเชพเชšเชพเชฐเชชเชคเซเชฐ เช›เซ‡. เชฌเชพเชนเซเชฏ เช•เชกเซ€เช“ เชœเชฏ เชนเชฟเชจเซเชฆ เชตเซ‡เชฌเชธเชพเช‡เชŸ เชธ...` | Vocab | Tokens | Count | |-------|--------|-------| | 8k | `โ–เชœเชฏ โ–เชนเชฟเชจเซ เชฆ โ–เช—เซเชœเชฐเชพเชคเซ€ โ–เชญเชพเชทเชพเชจเซเช‚ โ–เชเช• โ–เชฐเซ‹ เชœเซ€ เช‚เชฆเซ โ–เชธเชฎเชพเชšเชพเชฐ ... (+11 more)` | 21 | | 16k | `โ–เชœเชฏ โ–เชนเชฟเชจเซ เชฆ โ–เช—เซเชœเชฐเชพเชคเซ€ โ–เชญเชพเชทเชพเชจเซเช‚ โ–เชเช• โ–เชฐเซ‹เชœเซ€ เช‚เชฆเซ โ–เชธเชฎเชพเชšเชพเชฐเชชเชคเซเชฐ โ–เช›เซ‡ ... (+8 more)` | 18 | | 32k | `โ–เชœเชฏ โ–เชนเชฟเชจเซเชฆ โ–เช—เซเชœเชฐเชพเชคเซ€ โ–เชญเชพเชทเชพเชจเซเช‚ โ–เชเช• โ–เชฐเซ‹เชœเซ€ เช‚เชฆเซ โ–เชธเชฎเชพเชšเชพเชฐเชชเชคเซเชฐ โ–เช›เซ‡ . ... (+6 more)` | 16 | | 64k | `โ–เชœเชฏ โ–เชนเชฟเชจเซเชฆ โ–เช—เซเชœเชฐเชพเชคเซ€ โ–เชญเชพเชทเชพเชจเซเช‚ โ–เชเช• โ–เชฐเซ‹เชœเซ€ เช‚เชฆเซ โ–เชธเชฎเชพเชšเชพเชฐเชชเชคเซเชฐ โ–เช›เซ‡ . ... (+6 more)` | 16 | ### Key Findings - **Best Compression:** 64k achieves 4.347x compression - **Lowest UNK Rate:** 8k with 0.3164% unknown tokens - **Trade-off:** Larger vocabularies improve compression but increase model size - **Recommendation:** 32k vocabulary provides optimal balance for production use --- ## 2. N-gram Model Evaluation ![N-gram Perplexity](visualizations/ngram_perplexity.png) ![N-gram Unique](visualizations/ngram_unique.png) ![N-gram Coverage](visualizations/ngram_coverage.png) ### Results | N-gram | Variant | Perplexity | Entropy | Unique N-grams | Top-100 Coverage | Top-1000 Coverage | |--------|---------|------------|---------|----------------|------------------|-------------------| | **2-gram** | Word | 10,698 | 13.39 | 125,204 | 30.7% | 48.0% | | **2-gram** | Subword | 2,297 ๐Ÿ† | 11.17 | 62,671 | 37.2% | 69.7% | | **3-gram** | Word | 6,094 | 12.57 | 126,108 | 38.3% | 57.0% | | **3-gram** | Subword | 19,412 | 14.24 | 340,527 | 15.1% | 39.0% | | **4-gram** | Word | 4,835 | 12.24 | 174,488 | 42.1% | 62.1% | | **4-gram** | Subword | 84,467 | 16.37 | 1,351,931 | 11.0% | 28.7% | | **5-gram** | Word | 2,358 | 11.20 | 99,029 | 46.1% | 70.1% | | **5-gram** | Subword | 171,415 | 17.39 | 2,092,817 | 9.1% | 24.9% | ### Top 5 N-grams by Size **2-grams (Word):** | Rank | N-gram | Count | |------|--------|-------| | 1 | `เช›เซ‡ เช†` | 59,392 | | 2 | `เชคเซ‡เชฎ เชœ` | 50,730 | | 3 | `เช†เชตเซ‡ เช›เซ‡` | 34,138 | | 4 | `เช† เช—เชพเชฎเชฎเชพเช‚` | 33,314 | | 5 | `เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ` | 31,103 | **3-grams (Word):** | Rank | N-gram | Count | |------|--------|-------| | 1 | `เช›เซ‡ เช† เช—เชพเชฎเชฎเชพเช‚` | 33,162 | | 2 | `เช•เชฐเชตเชพเชฎเชพเช‚ เช†เชตเซ‡ เช›เซ‡` | 19,146 | | 3 | `เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ` | 18,413 | | 4 | `เชญเชพเชฐเชค เชฆเซ‡เชถเชจเชพ เชชเชถเซเชšเชฟเชฎ` | 18,409 | | 5 | `เชฆเซ‡เชถเชจเชพ เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚` | 18,400 | **4-grams (Word):** | Rank | N-gram | Count | |------|--------|-------| | 1 | `เชญเชพเชฐเชค เชฆเซ‡เชถเชจเชพ เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚` | 18,398 | | 2 | `เชฆเซ‡เชถเชจเชพ เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ` | 18,367 | | 3 | `เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช—เซเชœเชฐเชพเชค` | 17,959 | | 4 | `เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช—เซเชœเชฐเชพเชค เชฐเชพเชœเซเชฏเชจเชพ` | 17,656 | | 5 | `เชฒเซ‹เช•เซ‹เชจเซ‹ เชฎเซเช–เซเชฏ เชตเซเชฏเชตเชธเชพเชฏ เช–เซ‡เชคเซ€` | 16,402 | **5-grams (Word):** | Rank | N-gram | Count | |------|--------|-------| | 1 | `เชญเชพเชฐเชค เชฆเซ‡เชถเชจเชพ เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ` | 18,365 | | 2 | `เชฆเซ‡เชถเชจเชพ เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช—เซเชœเชฐเชพเชค` | 17,934 | | 3 | `เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช—เซเชœเชฐเชพเชค เชฐเชพเชœเซเชฏเชจเชพ` | 17,654 | | 4 | `เช—เชพเชฎเชจเชพ เชฒเซ‹เช•เซ‹เชจเซ‹ เชฎเซเช–เซเชฏ เชตเซเชฏเชตเชธเชพเชฏ เช–เซ‡เชคเซ€` | 16,093 | | 5 | `เชฒเซ‹เช•เซ‹เชจเซ‹ เชฎเซเช–เซเชฏ เชตเซเชฏเชตเชธเชพเชฏ เช–เซ‡เชคเซ€ เช–เซ‡เชคเชฎเชœเซ‚เชฐเซ€` | 16,009 | **2-grams (Subword):** | Rank | N-gram | Count | |------|--------|-------| | 1 | `. _` | 427,913 | | 2 | `, _` | 392,494 | | 3 | `_ เช†` | 387,226 | | 4 | `เชฎเชพเช‚ _` | 379,145 | | 5 | `_ เช…` | 336,386 | **3-grams (Subword):** | Rank | N-gram | Count | |------|--------|-------| | 1 | `_ เช›เซ‡ .` | 235,479 | | 2 | `เช›เซ‡ . _` | 225,048 | | 3 | `_ เช… เชจเซ‡` | 167,804 | | 4 | `เช… เชจเซ‡ _` | 165,365 | | 5 | `เชฎเชพเช‚ _ เช†` | 149,526 | **4-grams (Subword):** | Rank | N-gram | Count | |------|--------|-------| | 1 | `_ เช›เซ‡ . _` | 224,981 | | 2 | `_ เช… เชจเซ‡ _` | 164,399 | | 3 | `เชฎเชพเช‚ _ เช† เชตเซ‡` | 110,493 | | 4 | `. _ เช† _` | 68,884 | | 5 | `เชตเชพ เชฎเชพเช‚ _ เช†` | 67,045 | **5-grams (Subword):** | Rank | N-gram | Count | |------|--------|-------| | 1 | `_ เช›เซ‡ . _ เช†` | 62,651 | | 2 | `เช›เซ‡ . _ เช† _` | 57,724 | | 3 | `_ เช† เชตเซ‡ เชฒเชพ _` | 56,800 | | 4 | `เชฎเชพเช‚ _ เช† เชตเซ‡ เชฒเชพ` | 53,829 | | 5 | `_ เชคเซ‡ เชฎ _ เชœ` | 50,773 | ### Key Findings - **Best Perplexity:** 2-gram (subword) with 2,297 - **Entropy Trend:** Decreases with larger n-grams (more predictable) - **Coverage:** Top-1000 patterns cover ~25% of corpus - **Recommendation:** 4-gram or 5-gram for best predictive performance --- ## 3. Markov Chain Evaluation ![Markov Entropy](visualizations/markov_entropy.png) ![Markov Contexts](visualizations/markov_contexts.png) ![Markov Branching](visualizations/markov_branching.png) ### Results | Context | Variant | Avg Entropy | Perplexity | Branching Factor | Unique Contexts | Predictability | |---------|---------|-------------|------------|------------------|-----------------|----------------| | **1** | Word | 0.8634 | 1.819 | 7.06 | 458,692 | 13.7% | | **1** | Subword | 0.9952 | 1.993 | 15.09 | 11,981 | 0.5% | | **2** | Word | 0.2300 | 1.173 | 1.59 | 3,234,951 | 77.0% | | **2** | Subword | 0.6872 | 1.610 | 5.08 | 180,749 | 31.3% | | **3** | Word | 0.0669 | 1.047 | 1.13 | 5,125,144 | 93.3% | | **3** | Subword | 0.5539 | 1.468 | 3.49 | 917,629 | 44.6% | | **4** | Word | 0.0220 ๐Ÿ† | 1.015 | 1.04 | 5,806,762 | 97.8% | | **4** | Subword | 0.4165 | 1.335 | 2.13 | 3,199,363 | 58.3% | ### Generated Text Samples (Word-based) Below are text samples generated from each word-based Markov chain model: **Context Size 1:** 1. `เช›เซ‡ เชคเซ‡ เชธเชพเชฎเซ‡เชฒ เช•เชฐเชตเชพเชจเซ‹ เช›เซ‡ เชเช†เชฐเชกเซ€เช arda เชจเชพ เชตเซ‡เชŸเชฐเชฐเซเชจเชธ เช˜เชกเชพเชฏเซ‡เชฒเชพ เชธเซเชคเช‚เชญเซ‹ เชตเชฟเชฎเชฒ เชธเช‚เชงเชฟเชตเชฟเช—เซเชฐเชนเชฟเช• เชฆเชพเชฎเซ‹เชฆเชฐ เช เชพเช•เชฐเชธเซ€ เชฎเชนเชฟเชฒเชพ` 2. `เช…เชจเซ‡ เช เช‡ เชธเซเชฎเชฟเชฅ เชเช‚เชฅเชจเซ€ เชœเซ€เชกเซ‡เช‚เชธ เชฎเชฟเชถเซ‡เชฒ เชšเชพเชฐเซเชฒเซเชธ เชธเซเชŸเซ‡เช‡เชจเชฎเซ‡เชŸเซเช เช…เชจเซ‡ เช—เชพเชฏเช• เชคเชฐเซ€เช•เซ‡ เชชเชธเช‚เชฆ เชจเชฅเซ€ เชคเซ‡เชฎเชฃเซ‡ เชธเซเชŸเซ‡เชฒเซ€เชจเชพ` 3. `เช† เช—เชพเชฎเชฎเชพเช‚ เชชเซเชฐเชพเชฅเชฎเชฟเช• เชถเชพเชณเชพ เชคเซ‡เชฎ เชœ เชฆเซ‚เชงเชจเซ€ เชกเซ‡เชฐเซ€ เชœเซ‡เชตเซ€ เชธเชตเชฒเชคเซ‹ เชชเซเชฐเชพเชชเซเชฏ เชฅเชฏเซ‡เชฒเซ€ เช›เซ‡ เชธเช‚เชฆเชฐเซเชญ เช•เชฐเซเชฏเชพ เช›เซ‡` **Context Size 2:** 1. `เช›เซ‡ เช† เช—เชพเชฎ เชธเซเชฅเชพเชชเชฟเชค เชธเชนเชฏเซ‹เช— เช•เซเชทเซเชŸ เชฏเชœเซเชž เชŸเซเชฐเชธเซเชŸ เชจเชพเชฎเชจเซ€ เชธเช‚เชธเซเชฅเชพ เชชเชฃ เชœเซ€เชตเชจเชธเช‚เชšเชพเชฐเชตเชพเชฆ เชชเชฃ เชถเซ€เช–เชตเซ‡ เช›เซ‡ เชคเซ‡ เชฆเชฐเชฎเชฟเชฏเชพเชจ` 2. `เชคเซ‡เชฎ เชœ เช…เชจเซเชฏ เชถเชพเช•เชญเชพเชœเซ€เชจเชพ เชชเชพเช•เชจเซ€ เช–เซ‡เชคเซ€ เช•เชฐเชตเชพเชฎเชพเช‚ เช†เชตเซ‡ เช›เซ‡ เช† เชถเชนเซ‡เชฐเชจเซ€ เช…เชฐเซเชฅเชคเช‚เชคเซเชฐเช เชญเชพเชฐเชคเชฎเชพ เชฆเชธเชฎเซ‹ เช•เซเชฐเชฎ เชงเชฐเชพเชตเซ‡ เช›เซ‡` 3. `เช†เชตเซ‡ เช›เซ‡ เชœเซ‹ เช•เซ‡ เชฌเช‚เช—เชพเชณเซ€เช“ เชตเชฟเชถเซ‡ เช•เซ‡เชŸเชฒเซ€เช• เช•เชพเชฒเซเชชเชจเชฟเช• เชตเชพเชฐเซเชคเชพเช“ เชกเชฌเซเชฒเซเชฏเซเชกเชฌเซเชฒเซเชฏเซเช‡เชฎเชพเช‚ เชฌเชฟเชนเชพเช‡เชจเซเชก เชง เชชเซ‡เช‡เชจเซเชŸเซ‡เชก เชธเซเชฎเชพเช‡เชฒ เชฎเชพเช‚ ...` **Context Size 3:** 1. `เช›เซ‡ เช† เช—เชพเชฎเชฎเชพเช‚ เชชเซเชฐเชพเชฅเชฎเชฟเช• เชถเชพเชณเชพ เช†เช‚เช—เชฃเชตเชพเชกเซ€ เชชเช‚เชšเชพเชฏเชคเช˜เชฐ เชฆเซ‚เชงเชจเซ€ เชกเซ‡เชฐเซ€ เชตเช—เซ‡เชฐเซ‡ เชธเชตเชฒเชคเซ‹ เชชเซเชฐเชพเชชเซเชฏ เช›เซ‡ เช—เชพเชฎเชจเชพ เชฒเซ‹เช•เซ‹ เชตเซเชฏเชตเชธเชพเชฏเชฎเชพเช‚ ...` 2. `เช•เชฐเชตเชพเชฎเชพเช‚ เช†เชตเซ‡ เช›เซ‡ เช† เชคเชคเซเชตเชจเซเช‚ เชจเชพเชฎ เชฎเซ‡เชจเซเชกเซ‡เชฒเชฟเชตเซ€เชฏเชฎ เชจเซ‡ เชถเซเชฆเซเชง เช…เชจเซ‡ เช‰เชชเชฏเซ‹เช—เชฟ เชฐเชธเชพเชฏเชฃ เชถเชพเชธเซเชคเชจเซ€ เช†เช‚เชคเชฐเชฐเชพเชทเซเชŸเซเชฐเซ€เชฏ เชธเช‚เชธเซเชฅเชพ เชฆเซเชต...` 3. `เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช—เซเชœเชฐเชพเชค เชฐเชพเชœเซเชฏเชจเชพ เชฎเชงเซเชฏ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เชชเช‚เชšเชฎเชนเชพเชฒ เชœเชฟเชฒเซเชฒเชพเชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช•เซเชฒ เซฌ เช› เชคเชพเชฒเซเช•เชพเช“ เชชเซˆเช•เซ€เชจเชพ ...` **Context Size 4:** 1. `เชญเชพเชฐเชค เชฆเซ‡เชถเชจเชพ เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช—เซเชœเชฐเชพเชค เชฐเชพเชœเซเชฏเชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เชธเซŒเชฐเชพเชทเซเชŸเซเชฐ เชตเชฟเชธเซเชคเชพเชฐเชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เชชเซ‹เชฐเชฌเช‚เชฆเชฐ เชœเชฟเชฒเซเชฒเชพเชฎเชพเช‚ เช†เชต...` 2. `เชฆเซ‡เชถเชจเชพ เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช—เซเชœเชฐเชพเชค เชฐเชพเชœเซเชฏเชจเชพ เชฆเช•เซเชทเชฟเชฃ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เชคเชพเชชเซ€ เชœเชฟเชฒเซเชฒเชพเชจเชพ เช•เซเชฒ เซญ เชธเชพเชค เชคเชพเชฒเซเช•เชพเช“ เชชเซˆเช•เซ€เชจเชพ ...` 3. `เชชเชถเซเชšเชฟเชฎ เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช—เซเชœเชฐเชพเชค เชฐเชพเชœเซเชฏเชจเชพ เช‰เชคเซเชคเชฐ เชชเซ‚เชฐเซเชต เชญเชพเช—เชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช…เชฐเชตเชฒเซเชฒเซ€ เชœเชฟเชฒเซเชฒเชพเชฎเชพเช‚ เช†เชตเซ‡เชฒเชพ เช•เซเชฒ เซฌ เช› เชคเชพเชฒเซเช•เชพเช“ ...` ### Generated Text Samples (Subword-based) Below are text samples generated from each subword-based Markov chain model: **Context Size 1:** 1. `_เชฎเซ‡เชœเชฏเซ‡เชฒเซ€_เชฐเซ‹เชœเชจเชพ_เช…เชจเซ‡_เช…เชจเซ‡_` 2. `เชฐเชœเช•เซ‹เชจเซ‹_เชคเชพ_เชฆเชฐเชพเชœเซเชฏเชจเซ€_เชฎเชพเชŸเซ‡เชจเซ€_` 3. `เช•เชฐ_hie_เชธเซเชตเชคเช‚เชคเซเชฐเซเชฏ_เชคเชพเช‚_เชชเชฆเซเชงเชจเซ€` **Context Size 2:** 1. `._เซงเซฏ_เชฐเซ‹เชนเชฟเชคเซ‹_เช…เชจเซ‡_เชญเชพเชฐเชค_เชฎเชพ` 2. `,_entเชจเชพ_เชชเชพเช•เชจเซ€_เช‰เชคเซเชคเชฐเชพเชงเชฟเช•_` 3. `_เช†เชฐ_เชธเซ‚เชฐเซเชฏเชจเชพ_เชฎเซƒเชคเซเชฏเซ_เช—เชพเช‚เชงเซ€เชจเช—เชฐ,` **Context Size 3:** 1. `_เช›เซ‡._เช†_เช—เชพเชฎเชฎเชพเช‚_เชฎเซเช–เซเชฏเชคเซเชตเซ‡_เช†เชฆเชฟเชตเชพเชธเซ€` 2. `เช›เซ‡._เชคเชพเชฒเซเช•เซ‹_เช–เซ‡เชคเซ€_เช•เชฐเชตเชพเชจเซ€_เชชเชฃ_` 3. `_เช…เชจเซ‡เช•_เช†เชตเซ‡เชฒเชพ_เช…เชญเซเชฏเชพเชธ_เชฆเซเชตเชพเชฐเชพ_เชชเชนเซ‹เช‚` **Context Size 4:** 1. `_เช›เซ‡._เช—เซ‹เชกเซเชกเชพเชฎเชพเช‚_เช—เซ‹เชกเซเชกเชพ_เชœเชฟเชฒเซเชฒเชพเชฎเชพเช‚_เช†เชตเซ‡เชฒเชพ_` 2. `_เช…เชจเซ‡_เช•เซเชฒเชพเชธเชฟเช•เชฒ_เชฎเชพเชฐเซเช—_เชชเชฐ_เชเชฎเชฟเช—เชพเชƒ_` 3. `เชฎเชพเช‚_เช†เชตเซ‡_เชคเซเชฏเชพเชฐเซ‡_เชฌเชพเชธเชพเชฒเซเชŸเชฟเช•_เช•เซ‡_เชฆเชพเชฐเซ‚เชจเซ_` ### Key Findings - **Best Predictability:** Context-4 (word) with 97.8% predictability - **Branching Factor:** Decreases with context size (more deterministic) - **Memory Trade-off:** Larger contexts require more storage (3,199,363 contexts) - **Recommendation:** Context-3 or Context-4 for text generation --- ## 4. Vocabulary Analysis ![Zipf's Law](visualizations/zipf_law.png) ![Top Words](visualizations/top20_words.png) ![Coverage Curve](visualizations/vocab_coverage.png) ### Statistics | Metric | Value | |--------|-------| | Vocabulary Size | 193,639 | | Total Tokens | 7,238,200 | | Mean Frequency | 37.38 | | Median Frequency | 4 | | Frequency Std Dev | 1013.36 | ### Most Common Words | Rank | Word | Frequency | |------|------|-----------| | 1 | เช›เซ‡ | 321,831 | | 2 | เช…เชจเซ‡ | 165,458 | | 3 | เช† | 104,369 | | 4 | เชœ | 69,831 | | 5 | เชเช• | 66,411 | | 6 | เช†เชตเซ‡เชฒเชพ | 56,885 | | 7 | เชคเซ‡เชฎ | 53,009 | | 8 | เช•เซ‡ | 43,256 | | 9 | เช—เชพเชฎเชฎเชพเช‚ | 39,326 | | 10 | เชฎเชพเชŸเซ‡ | 39,310 | ### Least Common Words (from vocabulary) | Rank | Word | Frequency | |------|------|-----------| | 1 | เชฒเช‚เชชเซเชฐเชจเซ‡ | 2 | | 2 | เชถเซเชฐเซเชนเชพเชฆ | 2 | | 3 | เชซเชพเชฐเซเชฎเชนเชพเช‰เชธเชฎเชพเช‚ | 2 | | 4 | เชœเช‚เชฌเซเชฆเซเชฆเซ€เชตเชชเชฃเซเชฃเชคเซเชคเชฟ | 2 | | 5 | เชœเช‚เชฌเซเชธเชพเชฎเชฟเชšเชฐเชฟเช‰ | 2 | | 6 | เชธเซเชงเชฐเซเชฎเชธเซเชตเชพเชฎเซ€ | 2 | | 7 | เชœเช‚เชฌเซเชจเซ‡ | 2 | | 8 | เชตเซˆเชฐเชพเช—เซเชฏเชตเชฟเชฐเซ‹เชงเซ€ | 2 | | 9 | เชœเช‚เชฌเซเชจเซ€ | 2 | | 10 | เชธเซเชงเชฐเซเชฎเชพเชธเซเชตเชพเชฎเซ€เช | 2 | ### Zipf's Law Analysis | Metric | Value | |--------|-------| | Zipf Coefficient | 1.0403 | | Rยฒ (Goodness of Fit) | 0.997228 | | Adherence Quality | **excellent** | ### Coverage Analysis | Top N Words | Coverage | |-------------|----------| | Top 100 | 34.5% | | Top 1,000 | 58.3% | | Top 5,000 | 75.1% | | Top 10,000 | 81.6% | ### Key Findings - **Zipf Compliance:** Rยฒ=0.9972 indicates excellent adherence to Zipf's law - **High Frequency Dominance:** Top 100 words cover 34.5% of corpus - **Long Tail:** 183,639 words needed for remaining 18.4% coverage --- ## 5. Word Embeddings Evaluation ![Embedding Isotropy](visualizations/embedding_isotropy.png) ![Similarity Matrix](visualizations/embedding_similarity.png) ![t-SNE Words](visualizations/tsne_words.png) ![t-SNE Sentences](visualizations/tsne_sentences.png) ### 5.1 Cross-Lingual Alignment ![Alignment Quality](visualizations/embedding_alignment_quality.png) ![Multilingual t-SNE](visualizations/embedding_tsne_multilingual.png) ### 5.2 Model Comparison | Model | Dimension | Isotropy | Semantic Density | Alignment R@1 | Alignment R@10 | |-------|-----------|----------|------------------|---------------|----------------| | **mono_32d** | 32 | 0.7412 | 0.3587 | N/A | N/A | | **mono_64d** | 64 | 0.7575 | 0.2728 | N/A | N/A | | **mono_128d** | 128 | 0.7575 ๐Ÿ† | 0.2077 | N/A | N/A | | **aligned_32d** | 32 | 0.7412 | 0.3577 | 0.0380 | 0.1860 | | **aligned_64d** | 64 | 0.7575 | 0.2690 | 0.0580 | 0.2540 | | **aligned_128d** | 128 | 0.7575 | 0.2042 | 0.0660 | 0.2820 | ### Key Findings - **Best Isotropy:** mono_128d with 0.7575 (more uniform distribution) - **Semantic Density:** Average pairwise similarity of 0.2783. Lower values indicate better semantic separation. - **Alignment Quality:** Aligned models achieve up to 6.6% R@1 in cross-lingual retrieval. - **Recommendation:** 128d aligned for best cross-lingual performance --- ## 6. Morphological Analysis (Experimental) This section presents an automated morphological analysis derived from the statistical divergence between word-level and subword-level models. By analyzing where subword predictability spikes and where word-level coverage fails, we can infer linguistic structures without supervised data. ### 6.1 Productivity & Complexity | Metric | Value | Interpretation | Recommendation | |--------|-------|----------------|----------------| | Productivity Index | **3.181** | High morphological productivity | Reliable analysis | | Idiomaticity Gap | **1.816** | High formulaic/idiomatic content | - | ### 6.2 Affix Inventory (Productive Units) These are the most productive prefixes and suffixes identified by sampling the vocabulary for global substitutability patterns. A unit is considered an affix if stripping it leaves a valid stem that appears in other contexts. #### Productive Prefixes | Prefix | Examples | |--------|----------| | `-เชธ` | เชธเช‚เชธเซเช•เซƒเชคเชญเชพเชทเชพเชฎเชพเช‚, เชธเชพเชฎเชพเชจเซเชฏเชค, เชธเซเชฅเชชเชพเชคเซ€ | | `-เช•` | เช•เซ‹เชฌเซ‹เชฒเซเชก, เช•เชพเชฒเช•เซเชฐเชฎเชพเชจเซเชธเชพเชฐ, เช•เชพเชณเชœเซ€เชชเซเชฐเซเชตเช• | | `-เชฎ` | เชฎเชฟเช‚เชขเชพ, เชฎเชนเชพเชตเซ€เชฐเชจเซ‡, เชฎเชพเชฏเชฅเชฟเช•เชฒ | | `-เชช` | เชชเซ‹เชชเชšเชพ, เชชเชพเชกเชตเชพ, เชชเช‚เชšเช—เชตเซเชฏ | | `-เชฌ` | เชฌเซ‰เชฒเชจเซ€, เชฌเชฒเชพเชขเชพ, เชฌเชฟเชจเซเช•เชธ | | `-เชต` | เชตเชพเชธเซเชคเซ‡, เชตเชพเชฒเซ€เชจเชพ, เชตเชฟเชฆเซ‡เชถเซ‹เชจเซ€ | | `-เชฐ` | เชฐเซ‡เชŸเชจเซ€, เชฐเชพเชธเชฎเชธ, เชฐเซ‡เชคเซ€เชฏเชพเชจเซ€ | | `-เช…` | เช…เชตเชธเซเชฅเชพเชจเชพ, เช…เชชเซเชฐเชฎเชพเชฃเชฟเช•เชคเชพเชจเซ‹, เช…เชคเซเชฒเชจเซ€เชฏ | #### Productive Suffixes | Suffix | Examples | |--------|----------| | `-เชฐ` | เช•เชพเชฒเช•เซเชฐเชฎเชพเชจเซเชธเชพเชฐ, เชˆเชจเซเช•เชพเชฐ, เช›เชพเชชเชฐ | | `-เชจ` | เชจเชพเชธเชพเชฐเชฟเชธเซเชคเชพเชจ, เชซเชฟเชเชฟเชถเซเชฏเชจ, เช…เช‚เช•เชจ | | `-เชธ` | เชฌเชฟเชจเซเช•เชธ, เชฐเชพเชธเชฎเชธ, เชจเซเชฏเซ‚เชŸเซเชธ | | `-เช•` | เช†เชธเซเช•, เช•เชพเชณเชœเซ€เชชเซเชฐเซเชตเช•, เชŸเซ‡เชฒเชฟเชซเซ‹เชจเชฟเช• | | `-เชฒ` | เชฎเชพเชฏเชฅเชฟเช•เชฒ, เช–เชพเชฐเซ‹เชฒ, เชฒเซ€เชตเชฐเชชเซ‚เชฒ | | `-เชŸ` | เช“เชฐเชฟเชเชจเซเชŸ, เชฌเซ‡เชฐเซ‹เชจเซ‡เชŸ, เช•เชจเซเชซเซเชฒเชฟเช•เซเชŸ | | `-เช` | เชถเชพเชฒเซเชตเช, เชตเซ‡เชฌเช, เชŸเซ‡เชธเซเชฒเชพเช | | `-s` | guianensis, libraries, rhodes | ### 6.3 Bound Stems (Lexical Roots) Bound stems are high-frequency subword units that are semantically cohesive but rarely appear as standalone words. These often correspond to the 'core' of a word that requires inflection or derivation to be valid. | Stem | Cohesion | Substitutability | Examples | |------|----------|------------------|----------| | `tion` | 3.61x | 29 contexts | motion, nation, notion | | `atio` | 3.66x | 25 contexts | ratio, nation, station | | `indi` | 3.58x | 24 contexts | india, hindi, indic | | `เชตเชจเช—เชฐ` | 3.22x | 14 contexts | เช‡เชตเชจเช—เชฐ, เชงเซเชตเชจเช—เชฐ, เชญเชพเชตเชจเช—เชฐ | | `เชจเชตเชฒเช•` | 3.19x | 5 contexts | เชจเชตเชฒเช•เชฅเชพ, เชจเชตเชฒเช•เชฅเชพเช, เชจเชตเชฒเช•เชฅเชพเช“ | ### 6.4 Affix Compatibility (Co-occurrence) This table shows which prefixes and suffixes most frequently co-occur on the same stems, revealing the 'stacking' rules of the language's morphology. | Prefix | Suffix | Frequency | Examples | |--------|--------|-----------|----------| | `-เช•` | `-เชจ` | 26 words | เช•เซเชฒเชจ, เช•เซเชฐเซเชถเชฟเชฏเชจ | | `-เชธ` | `-เชธ` | 25 words | เชธเซเชชเซ€เช•เชฐเซเชธ, เชธเซ‡เชŸเซ‡เชฒเชพเช‡เชŸเซเชธ | | `-เช•` | `-เชธ` | 22 words | เช•เชจเซ‡เช•เซเชถเชจเซเชธ, เช•เชพเชฒเชชเซ‡เชฐเซเชธ | | `-เช•` | `-เชฐ` | 22 words | เช•เซ‡เชฒเชจเชฐ, เช•เซƒเชทเซเชฃเช•เซเชฎเชพเชฐ | | `-เชธ` | `-เช•` | 18 words | เชธเชฌเชธเซ‹เชจเชฟเช•, เชธเซเชŸเซเชฐเซ‡เชŸเซ‡เชœเซ€เช• | | `-เชธ` | `-เชฐ` | 17 words | เชธเซเชฎเซ‡เชฐ, เชธเซเชŸเซเชฐเชพเชˆเช•เชฐ | | `-เชช` | `-เชฐ` | 17 words | เชชเชพเช‰เชกเชฐ, เชชเซ€เชฏเชฐ | | `-เชธ` | `-เชจ` | 17 words | เชธเชซเชฐเชœเชจ, เชธเชตเซ‡เชจ | | `-เชฎ` | `-เชจ` | 16 words | เชฎเชพเชฐเซเชœเซ€เชจ, เชฎเชฟเชคเซเชฐเชธเซ‡เชจ | | `-เชช` | `-เชจ` | 16 words | เชชเชฐเชพเชงเซ€เชจ, เชชเซเชฐเชฃเซ‹เชฆเชจ | ### 6.5 Recursive Morpheme Segmentation Using **Recursive Hierarchical Substitutability**, we decompose complex words into their constituent morphemes. This approach handles nested affixes (e.g., `prefix-prefix-root-suffix`). | Word | Suggested Split | Confidence | Stem | |------|-----------------|------------|------| | conventional | **`convention-al`** | 4.5 | `convention` | | เช•เชธเซ‹เชŸเซ€เช“เชฎเชพเช‚ | **`เช•-เชธ-เซ‹เชŸเซ€เช“เชฎเชพเช‚`** | 4.5 | `เซ‹เชŸเซ€เช“เชฎเชพเช‚` | | เชเชจเชกเชฌเชฒเซเชฏเซเช | **`เชเชจเชกเชฌเชฒเซเชฏเซ-เช`** | 4.5 | `เชเชจเชกเชฌเชฒเซเชฏเซ` | | เช‡เชจเซเชธเซเชŸเซเชฐเซเชฎเซ‡เชจเซเชŸเชฒ | **`เช‡เชจเซเชธเซเชŸเซเชฐเซเชฎเซ‡เชจเซเชŸ-เชฒ`** | 4.5 | `เช‡เชจเซเชธเซเชŸเซเชฐเซเชฎเซ‡เชจเซเชŸ` | | เช…เชตเชฟเชถเซเชตเชพเชธเชจเซ€ | **`เช…-เชตเชฟเชถเซเชตเชพเชธเชจเซ€`** | 4.5 | `เชตเชฟเชถเซเชตเชพเชธเชจเซ€` | | เชนเซ‡เชฒเซ‡เชจเซ€เช•เซ‹เชจ | **`เชนเซ‡เชฒเซ‡เชจเซ€เช•เซ‹-เชจ`** | 4.5 | `เชนเซ‡เชฒเซ‡เชจเซ€เช•เซ‹` | | manifestations | **`manifestation-s`** | 4.5 | `manifestation` | | เชŸเซ‡เช•เชจเซ‹เชฒเซ‹เชœเซ€เช | **`เชŸเซ‡เช•เชจเซ‹เชฒเซ‹เชœเซ€-เช`** | 4.5 | `เชŸเซ‡เช•เชจเซ‹เชฒเซ‹เชœเซ€` | | festivals | **`festival-s`** | 4.5 | `festival` | | citations | **`citation-s`** | 4.5 | `citation` | | เชฒเช•เซเชทเชฃเซ‹เชฎเชพเช‚ | **`เชฒ-เช•เซเชทเชฃเซ‹เชฎเชพเช‚`** | 4.5 | `เช•เซเชทเชฃเซ‹เชฎเชพเช‚` | | เชชเชนเซ‹เช‚เชšเชพเชกเชตเชพเชฎเชพเช‚ | **`เชช-เชน-เซ‹เช‚เชšเชพเชกเชตเชพเชฎเชพเช‚`** | 4.5 | `เซ‹เช‚เชšเชพเชกเชตเชพเชฎเชพเช‚` | | เชฌเชฟเชจเชธเชนเชธเช‚เชฏเซ‹เชœเช• | **`เชฌ-เชฟเชจเชธเชนเชธเช‚เชฏเซ‹เชœ-เช•`** | 3.0 | `เชฟเชจเชธเชนเชธเช‚เชฏเซ‹เชœ` | | เชฐเซเช–เชฎเชพเชฌเชพเชˆเชจเซ‡ | **`เชฐ-เซเช–เชฎเชพเชฌเชพเชˆเชจเซ‡`** | 1.5 | `เซเช–เชฎเชพเชฌเชพเชˆเชจเซ‡` | | เชญเชตเชฟเชทเซเชฏเช•เชฅเชจ | **`เชญเชตเชฟเชทเซเชฏเช•เชฅ-เชจ`** | 1.5 | `เชญเชตเชฟเชทเซเชฏเช•เชฅ` | ### 6.6 Linguistic Interpretation > **Automated Insight:** The language Gujarati shows high morphological productivity. The subword models are significantly more efficient than word models, suggesting a rich system of affixation or compounding. > **Note on Idiomaticity:** The high Idiomaticity Gap suggests a large number of frequent multi-word expressions or formulaic sequences that are statistically distinct from their component parts. --- ## 7. Summary & Recommendations ![Performance Dashboard](visualizations/performance_dashboard.png) ### Production Recommendations | Component | Recommended | Rationale | |-----------|-------------|-----------| | Tokenizer | **64k BPE** | Best compression (4.35x) | | N-gram | **2-gram** | Lowest perplexity (2,297) | | Markov | **Context-4** | Highest predictability (97.8%) | | Embeddings | **100d** | Balanced semantic capture and isotropy | --- ## Appendix: Metrics Glossary & Interpretation Guide This section provides definitions, intuitions, and guidance for interpreting the metrics used throughout this report. ### Tokenizer Metrics **Compression Ratio** > *Definition:* The ratio of characters to tokens (chars/token). Measures how efficiently the tokenizer represents text. > > *Intuition:* Higher compression means fewer tokens needed to represent the same text, reducing sequence lengths for downstream models. A 3x compression means ~3 characters per token on average. > > *What to seek:* Higher is generally better for efficiency, but extremely high compression may indicate overly aggressive merging that loses morphological information. **Average Token Length (Fertility)** > *Definition:* Mean number of characters per token produced by the tokenizer. > > *Intuition:* Reflects the granularity of tokenization. Longer tokens capture more context but may struggle with rare words; shorter tokens are more flexible but increase sequence length. > > *What to seek:* Balance between 2-5 characters for most languages. Arabic/morphologically-rich languages may benefit from slightly longer tokens. **Unknown Token Rate (OOV Rate)** > *Definition:* Percentage of tokens that map to the unknown/UNK token, indicating words the tokenizer cannot represent. > > *Intuition:* Lower OOV means better vocabulary coverage. High OOV indicates the tokenizer encounters many unseen character sequences. > > *What to seek:* Below 1% is excellent; below 5% is acceptable. BPE tokenizers typically achieve very low OOV due to subword fallback. ### N-gram Model Metrics **Perplexity** > *Definition:* Measures how "surprised" the model is by test data. Mathematically: 2^(cross-entropy). Lower values indicate better prediction. > > *Intuition:* If perplexity is 100, the model is as uncertain as if choosing uniformly among 100 options at each step. A perplexity of 10 means effectively choosing among 10 equally likely options. > > *What to seek:* Lower is better. Perplexity decreases with larger n-grams (more context). Values vary widely by language and corpus size. **Entropy** > *Definition:* Average information content (in bits) needed to encode the next token given the context. Related to perplexity: perplexity = 2^entropy. > > *Intuition:* High entropy means high uncertainty/randomness; low entropy means predictable patterns. Natural language typically has entropy between 1-4 bits per character. > > *What to seek:* Lower entropy indicates more predictable text patterns. Entropy should decrease as n-gram size increases. **Coverage (Top-K)** > *Definition:* Percentage of corpus occurrences explained by the top K most frequent n-grams. > > *Intuition:* High coverage with few patterns indicates repetitive/formulaic text; low coverage suggests diverse vocabulary usage. > > *What to seek:* Depends on use case. For language modeling, moderate coverage (40-60% with top-1000) is typical for natural text. ### Markov Chain Metrics **Average Entropy** > *Definition:* Mean entropy across all contexts, measuring average uncertainty in next-word prediction. > > *Intuition:* Lower entropy means the model is more confident about what comes next. Context-1 has high entropy (many possible next words); Context-4 has low entropy (few likely continuations). > > *What to seek:* Decreasing entropy with larger context sizes. Very low entropy (<0.1) indicates highly deterministic transitions. **Branching Factor** > *Definition:* Average number of unique next tokens observed for each context. > > *Intuition:* High branching = many possible continuations (flexible but uncertain); low branching = few options (predictable but potentially repetitive). > > *What to seek:* Branching factor should decrease with context size. Values near 1.0 indicate nearly deterministic chains. **Predictability** > *Definition:* Derived metric: (1 - normalized_entropy) ร— 100%. Indicates how deterministic the model's predictions are. > > *Intuition:* 100% predictability means the next word is always certain; 0% means completely random. Real text falls between these extremes. > > *What to seek:* Higher predictability for text generation quality, but too high (>98%) may produce repetitive output. ### Vocabulary & Zipf's Law Metrics **Zipf's Coefficient** > *Definition:* The slope of the log-log plot of word frequency vs. rank. Zipf's law predicts this should be approximately -1. > > *Intuition:* A coefficient near -1 indicates the corpus follows natural language patterns where a few words are very common and most words are rare. > > *What to seek:* Values between -0.8 and -1.2 indicate healthy natural language distribution. Deviations may suggest domain-specific or artificial text. **Rยฒ (Coefficient of Determination)** > *Definition:* Measures how well the linear fit explains the frequency-rank relationship. Ranges from 0 to 1. > > *Intuition:* Rยฒ near 1.0 means the data closely follows Zipf's law; lower values indicate deviation from expected word frequency patterns. > > *What to seek:* Rยฒ > 0.95 is excellent; > 0.99 indicates near-perfect Zipf adherence typical of large natural corpora. **Vocabulary Coverage** > *Definition:* Cumulative percentage of corpus tokens accounted for by the top N words. > > *Intuition:* Shows how concentrated word usage is. If top-100 words cover 50% of text, the corpus relies heavily on common words. > > *What to seek:* Top-100 covering 30-50% is typical. Higher coverage indicates more repetitive text; lower suggests richer vocabulary. ### Word Embedding Metrics **Isotropy** > *Definition:* Measures how uniformly distributed vectors are in the embedding space. Computed as the ratio of minimum to maximum singular values. > > *Intuition:* High isotropy (near 1.0) means vectors spread evenly in all directions; low isotropy means vectors cluster in certain directions, reducing expressiveness. > > *What to seek:* Higher isotropy generally indicates better-quality embeddings. Values > 0.1 are reasonable; > 0.3 is good. Lower-dimensional embeddings tend to have higher isotropy. **Average Norm** > *Definition:* Mean magnitude (L2 norm) of word vectors in the embedding space. > > *Intuition:* Indicates the typical "length" of vectors. Consistent norms suggest stable training; high variance may indicate some words are undertrained. > > *What to seek:* Relatively consistent norms across models. The absolute value matters less than consistency (low std deviation). **Cosine Similarity** > *Definition:* Measures angular similarity between vectors, ranging from -1 (opposite) to 1 (identical direction). > > *Intuition:* Words with similar meanings should have high cosine similarity. This is the standard metric for semantic relatedness in embeddings. > > *What to seek:* Semantically related words should score > 0.5; unrelated words should be near 0. Synonyms often score > 0.7. **t-SNE Visualization** > *Definition:* t-Distributed Stochastic Neighbor Embedding - a dimensionality reduction technique that preserves local structure for visualization. > > *Intuition:* Clusters in t-SNE plots indicate groups of semantically related words. Spread indicates vocabulary diversity; tight clusters suggest semantic coherence. > > *What to seek:* Meaningful clusters (e.g., numbers together, verbs together). Avoid over-interpreting distances - t-SNE preserves local, not global, structure. ### General Interpretation Guidelines 1. **Compare within model families:** Metrics are most meaningful when comparing models of the same type (e.g., 8k vs 64k tokenizer). 2. **Consider trade-offs:** Better performance on one metric often comes at the cost of another (e.g., compression vs. OOV rate). 3. **Context matters:** Optimal values depend on downstream tasks. Text generation may prioritize different metrics than classification. 4. **Corpus influence:** All metrics are influenced by corpus characteristics. Wikipedia text differs from social media or literature. 5. **Language-specific patterns:** Morphologically rich languages (like Arabic) may show different optimal ranges than analytic languages. ### Visualizations Index | Visualization | Description | |---------------|-------------| | Tokenizer Compression | Compression ratios by vocabulary size | | Tokenizer Fertility | Average token length by vocabulary | | Tokenizer OOV | Unknown token rates | | Tokenizer Total Tokens | Total tokens by vocabulary | | N-gram Perplexity | Perplexity by n-gram size | | N-gram Entropy | Entropy by n-gram size | | N-gram Coverage | Top pattern coverage | | N-gram Unique | Unique n-gram counts | | Markov Entropy | Entropy by context size | | Markov Branching | Branching factor by context | | Markov Contexts | Unique context counts | | Zipf's Law | Frequency-rank distribution with fit | | Vocab Frequency | Word frequency distribution | | Top 20 Words | Most frequent words | | Vocab Coverage | Cumulative coverage curve | | Embedding Isotropy | Vector space uniformity | | Embedding Norms | Vector magnitude distribution | | Embedding Similarity | Word similarity heatmap | | Nearest Neighbors | Similar words for key terms | | t-SNE Words | 2D word embedding visualization | | t-SNE Sentences | 2D sentence embedding visualization | | Position Encoding | Encoding method comparison | | Model Sizes | Storage requirements | | Performance Dashboard | Comprehensive performance overview | --- ## About This Project ### Data Source Models trained on [wikipedia-monthly](https://huggingface.co/datasets/omarkamali/wikipedia-monthly) - a monthly snapshot of Wikipedia articles across 300+ languages. ### Project A project by **[Wikilangs](https://wikilangs.org)** - Open-source NLP models for every Wikipedia language. ### Maintainer [Omar Kamali](https://omarkamali.com) - [Omneity Labs](https://omneitylabs.com) ### Citation If you use these models in your research, please cite: ```bibtex @misc{wikilangs2025, author = {Kamali, Omar}, title = {Wikilangs: Open NLP Models for Wikipedia Languages}, year = {2025}, doi = {10.5281/zenodo.18073153}, publisher = {Zenodo}, url = {https://huggingface.co/wikilangs} institution = {Omneity Labs} } ``` ### License MIT License - Free for academic and commercial use. ### Links - ๐ŸŒ Website: [wikilangs.org](https://wikilangs.org) - ๐Ÿค— Models: [huggingface.co/wikilangs](https://huggingface.co/wikilangs) - ๐Ÿ“Š Data: [wikipedia-monthly](https://huggingface.co/datasets/omarkamali/wikipedia-monthly) - ๐Ÿ‘ค Author: [Omar Kamali](https://huggingface.co/omarkamali) - ๐Ÿค Sponsor: [Featherless AI](https://featherless.ai) --- *Generated by Wikilangs Models Pipeline* *Report Date: 2026-01-10 00:30:07*