README.md

---
language: hy
language_name: Armenian
language_family: armenian
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-armenian
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: 5.067
  - name: best_isotropy
    type: isotropy
    value: 0.7690
  - name: vocabulary_size
    type: vocab
    value: 0
generated: 2026-01-10
---

# Armenian - Wikilangs Models
## Comprehensive Research Report & Full Ablation Study

This repository contains NLP models trained and evaluated by Wikilangs, specifically on **Armenian** Wikipedia data.
We analyze tokenizers, n-gram models, Markov chains, vocabulary statistics, and word embeddings.

## 📋 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** | 3.834x | 3.86 | 0.1591% | 2,659,955 |
| **16k** | 4.305x | 4.33 | 0.1786% | 2,368,713 |
| **32k** | 4.718x | 4.75 | 0.1958% | 2,161,366 |
| **64k** | 5.067x 🏆 | 5.10 | 0.2102% | 2,012,394 |

### Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

**Sample 1:** `Աստերոիդների ցանկ Աստերոիդների ցանկ Աստերոիդների ցանկ | || || 12 հոկտեմբեր || Կի...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁| ▁|| ▁|| ▁ ... (+12 more)` | 22 |
| 16k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁| ▁|| ▁|| ▁ ... (+9 more)` | 19 |
| 32k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁| ▁|| ▁|| ▁ ... (+9 more)` | 19 |
| 64k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁| ▁|| ▁|| ▁ ... (+9 more)` | 19 |

**Sample 2:** `Աստերոիդների ցանկ Աստերոիդների ցանկ Աստերոիդների ցանկ | || || 13 ապրիլ || Կատալի...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁| ▁|| ▁|| ▁ ... (+10 more)` | 20 |
| 16k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁| ▁|| ▁|| ▁ ... (+10 more)` | 20 |
| 32k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁| ▁|| ▁|| ▁ ... (+8 more)` | 18 |
| 64k | `▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁աստերոիդների ▁ցանկ ▁| ▁|| ▁|| ▁ ... (+8 more)` | 18 |

**Sample 3:** `Դրյաժնո, բնակավայրերի անուններ՝ Բելառուսիա Դրյաժնո - գյուղակ Վիտեբսկի շրջանում, ...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁դր յ աժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ... (+28 more)` | 38 |
| 16k | `▁դր յ աժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ... (+28 more)` | 38 |
| 32k | `▁դր յաժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ▁դր ... (+25 more)` | 35 |
| 64k | `▁դր յաժ նո , ▁բնակավայրերի ▁անուն ներ՝ ▁բելառուս իա ▁դր ... (+19 more)` | 29 |


### Key Findings

- **Best Compression:** 64k achieves 5.067x compression
- **Lowest UNK Rate:** 8k with 0.1591% 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 | 274,089 | 18.06 | 2,048,640 | 5.7% | 17.3% |
| **2-gram** | Subword | 435 🏆 | 8.77 | 31,099 | 58.6% | 95.3% |
| **3-gram** | Word | 587,646 | 19.16 | 3,025,054 | 4.6% | 14.3% |
| **3-gram** | Subword | 3,630 | 11.83 | 285,926 | 26.0% | 63.1% |
| **4-gram** | Word | 869,845 | 19.73 | 4,440,732 | 5.7% | 15.5% |
| **4-gram** | Subword | 20,147 | 14.30 | 1,705,625 | 14.0% | 36.8% |
| **5-gram** | Word | 457,726 | 18.80 | 2,884,886 | 8.6% | 20.6% |
| **5-gram** | Subword | 78,248 | 16.26 | 5,627,732 | 8.9% | 23.9% |

### Top 5 N-grams by Size

**2-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `արտաքին հղումներ` | 162,524 |
| 2 | `է որ` | 122,895 |
| 3 | `ծանոթագրություններ արտաքին` | 120,383 |
| 4 | `եղել է` | 83,997 |
| 5 | `է թվականի` | 83,509 |

**3-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ծանոթագրություններ արտաքին հղումներ` | 119,820 |
| 2 | `շրջանի բնակավայրեր գյուղեր` | 35,523 |
| 3 | `մ թ ա` | 25,916 |
| 4 | `արտաքին հղումներ ռուսաստանի` | 19,895 |
| 5 | `է ա մ` | 19,670 |

**4-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `գոտիները worldtimezone com կայքում` | 18,028 |
| 2 | `ժամային գոտիները worldtimezone com` | 18,028 |
| 3 | `ռուսաստանի ժամային գոտիները worldtimezone` | 18,028 |
| 4 | `արտաքին հղումներ ռուսաստանի ժամային` | 18,006 |
| 5 | `հղումներ ռուսաստանի ժամային գոտիները` | 18,006 |

**5-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ժամային գոտիները worldtimezone com կայքում` | 18,028 |
| 2 | `ռուսաստանի ժամային գոտիները worldtimezone com` | 18,028 |
| 3 | `արտաքին հղումներ ռուսաստանի ժամային գոտիները` | 18,006 |
| 4 | `հղումներ ռուսաստանի ժամային գոտիները worldtimezone` | 18,006 |
| 5 | `թվականի ուկրաինայի համապետական մարդահամարի արդյունքները` | 17,821 |

**2-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ո ւ` | 25,191,475 |
| 2 | `ա ն` | 21,219,860 |
| 3 | `ն _` | 15,448,243 |
| 4 | `ե ր` | 14,542,618 |
| 5 | `ի _` | 12,944,110 |

**3-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ո ւ մ` | 7,197,254 |
| 2 | `ն ե ր` | 6,928,522 |
| 3 | `ա ն _` | 6,546,164 |
| 4 | `ա կ ա` | 6,299,916 |
| 5 | `կ ա ն` | 5,484,002 |

**4-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ա կ ա ն` | 4,881,415 |
| 2 | `ո ւ թ յ` | 4,780,700 |
| 3 | `ո ւ մ _` | 4,302,874 |
| 4 | `յ ո ւ ն` | 3,153,212 |
| 5 | `կ ա ն _` | 2,879,683 |

**5-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `թ յ ո ւ ն` | 2,857,609 |
| 2 | `ո ւ թ յ ո` | 2,854,879 |
| 3 | `ւ թ յ ո ւ` | 2,854,454 |
| 4 | `ա կ ա ն _` | 2,763,929 |
| 5 | `ո ւ թ յ ա` | 1,924,954 |


### Key Findings

- **Best Perplexity:** 2-gram (subword) with 435
- **Entropy Trend:** Decreases with larger n-grams (more predictable)
- **Coverage:** Top-1000 patterns cover ~24% 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 | 0.8583 | 1.813 | 11.08 | 3,072,156 | 14.2% |
| **1** | Subword | 1.3537 | 2.556 | 10.63 | 11,441 | 0.0% |
| **2** | Word | 0.3131 | 1.242 | 2.02 | 34,021,781 | 68.7% |
| **2** | Subword | 0.7180 | 1.645 | 5.38 | 121,571 | 28.2% |
| **3** | Word | 0.1098 | 1.079 | 1.24 | 68,796,040 | 89.0% |
| **3** | Subword | 0.7758 | 1.712 | 4.65 | 653,913 | 22.4% |
| **4** | Word | 0.0398 🏆 | 1.028 | 1.07 | 84,964,993 | 96.0% |
| **4** | Subword | 0.6964 | 1.620 | 3.55 | 3,038,021 | 30.4% |

### Generated Text Samples (Word-based)

Below are text samples generated from each word-based Markov chain model:

**Context Size 1:**

1. `է հիստերիկա սարքում և ի առաջին պարբերությունը 10 ը չեն անվանել են ամենակերներ էին որպես բուսաբանական`
2. `և նիկոլայ սմորչկով ավագ դուստր վարկած ըստ ռդ առաջին հակաօդային պաշտպանության տակ է ֆիլմում թվականին ...`
3. `են շարիաթի օրենքներին առաջարկություններ անել իր հարազատ ռոստսելմաշ ակումբ քանի որ և նա ստեղծեց red w...`

**Context Size 2:**

1. `արտաքին հղումներ ayuntamiento de torrejón de velasco la cocina española antigua la cocina gitana las...`
2. `է որ այդ թեմատիկայով մեծ հայտնիություն ձեռք բերեց լյուկ բեսոնի լյուսի ֆիլմում միաժամանակ ցուցադրվում...`
3. `ծանոթագրություններ արտաքին հղումներ лица самарской губернии на год спб типография м о г цикл миниатю...`

**Context Size 3:**

1. `ծանոթագրություններ արտաքին հղումներ կինոշիտա աստերոիդը փոքր մոլորակների կենտրոնի կայքում ուղեծրի տվյ...`
2. `մ թ ա ii i հազարամյակներ նավոլոկ գյուղի շրջակայքի ավազաբլուրներից հավաքված նյութերի շարքում եղել են ...`
3. `արտաքին հղումներ ռուսաստանի ժամային գոտիները worldtimezone com կայքում բաշկորտոստան հանրապետության զ...`

**Context Size 4:**

1. `ռուսաստանի ժամային գոտիները worldtimezone com կայքում սմոլենսկի մարզի սմոլենսկի շրջանի կազմում բնակչ...`
2. `գոտիները worldtimezone com կայքում լենինգրադի մարզի վսևոլոժսկի շրջանի կազմում բնակչությունը թվականին...`
3. `ժամային գոտիները worldtimezone com կայքում բաշկորտոստան հանրապետության ուֆիմսկի շրջանի կազմում բնակչ...`


### Generated Text Samples (Subword-based)

Below are text samples generated from each subword-based Markov chain model:

**Context Size 1:**

1. `_է_moronesestour`
2. `ածերնդենունովավո`
3. `նքայերկսկոլոնչես`

**Context Size 2:**

1. `ությում_մերիք_ենդ`
2. `ան_հսկվեր_գում,_ո`
3. `ն_ճարևությունք_կա`

**Context Size 3:**

1. `ում_մեծ_մելով_արհի`
2. `ներ_կամ_դե_մենտրու`
3. `ան_տվյալներազմինչպ`

**Context Size 4:**

1. `ական_դոլիվություննե`
2. `ությանը_չափի_ռեկտոն`
3. `ում_նրանց_տղամարդկա`


### Key Findings

- **Best Predictability:** Context-4 (word) with 96.0% predictability
- **Branching Factor:** Decreases with context size (more deterministic)
- **Memory Trade-off:** Larger contexts require more storage (3,038,021 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 | 1,233,415 |
| Total Tokens | 101,630,095 |
| Mean Frequency | 82.40 |
| Median Frequency | 4 |
| Frequency Std Dev | 4969.84 |

### Most Common Words

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | է | 4,241,724 |
| 2 | և | 2,378,989 |
| 3 | են | 1,229,938 |
| 4 | էր | 646,182 |
| 5 | թվականին | 577,819 |
| 6 | թվականի | 566,535 |
| 7 | որ | 463,952 |
| 8 | համար | 422,395 |
| 9 | ի | 378,745 |
| 10 | իր | 371,982 |

### Least Common Words (from vocabulary)

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | սանգկունուր | 2 |
| 2 | արչեհում | 2 |
| 3 | ռեգենսիում | 2 |
| 4 | դեմոգորգանին | 2 |
| 5 | շնապն | 2 |
| 6 | ռահմանուլլա | 2 |
| 7 | լականվալ | 2 |
| 8 | լականվալն | 2 |
| 9 | ակլեհի | 2 |
| 10 | jsrn | 2 |

### Zipf's Law Analysis

| Metric | Value |
|--------|-------|
| Zipf Coefficient | 0.9590 |
| R² (Goodness of Fit) | 0.995010 |
| Adherence Quality | **excellent** |

### Coverage Analysis

| Top N Words | Coverage |
|-------------|----------|
| Top 100 | 25.0% |
| Top 1,000 | 47.2% |
| Top 5,000 | 65.8% |
| Top 10,000 | 73.5% |

### Key Findings

- **Zipf Compliance:** R²=0.9950 indicates excellent adherence to Zipf's law
- **High Frequency Dominance:** Top 100 words cover 25.0% of corpus
- **Long Tail:** 1,223,415 words needed for remaining 26.5% 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 | 0.7690 | 0.3405 | N/A | N/A |
| **mono_64d** | 64 | 0.7404 | 0.3145 | N/A | N/A |
| **mono_128d** | 128 | 0.6370 | 0.2680 | N/A | N/A |
| **aligned_32d** | 32 | 0.7690 🏆 | 0.3747 | 0.1620 | 0.5260 |
| **aligned_64d** | 64 | 0.7404 | 0.3024 | 0.2940 | 0.7100 |
| **aligned_128d** | 128 | 0.6370 | 0.2604 | 0.4280 | 0.8220 |

### Key Findings

- **Best Isotropy:** aligned_32d with 0.7690 (more uniform distribution)
- **Semantic Density:** Average pairwise similarity of 0.3101. Lower values indicate better semantic separation.
- **Alignment Quality:** Aligned models achieve up to 42.8% 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 | **5.000** | High morphological productivity | Reliable analysis |
| Idiomaticity Gap | **-0.140** | Low formulaic 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 |
|--------|----------|
| `-ա` | աբաջիև, ամնեզիա, այծյամներ |
| `-մա` | մադկանց, մանգաղներ, մարդահաշվին |
| `-կա` | կամպեադոր, կավճապատ, կաբարդինկա |
| `-կ` | կոնորայի, կամպեադոր, կեպիտալ |
| `-կո` | կոնորայի, կոնտրապունկտերի, կոմպանյոնի |
| `-հա` | համօգտագործումը, հայէներգոի, հարկավո |
| `-ս` | սեխմեց, սեկկո, սաղաթելյանն |
| `-մ` | մադկանց, մանգաղներ, մերկացուցիչ |

#### Productive Suffixes
| Suffix | Examples |
|--------|----------|
| `-ն` | վերաբնակիչներին, խուրային, շրջանագիծն |
| `-ի` | կոնորայի, կոնտրապունկտերի, վիվիի |
| `-ը` | զանգակատները, շերզինգերը, լեյշմանիոզները |
| `-ին` | վերաբնակիչներին, խուրային, բենզինին |
| `-ան` | չեբոտարևսկայան, կարիբիան, նենգափոխության |
| `-րի` | կոնտրապունկտերի, դատավորների, անզգայացուցիչների |
| `-ւմ` | ռազմաբեմում, հեվրոնում, պարբերագրում |
| `-մ` | ռազմաբեմում, հեվրոնում, սիտկոմ |

### 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 |
|------|----------|------------------|----------|
| `ությ` | 1.85x | 608 contexts | ությակ, ության, ությոա |
| `ններ` | 1.61x | 522 contexts | աններ, զններ, ոններ |
| `րներ` | 1.51x | 463 contexts | արներ, թրներ, լերներ |
| `մբեր` | 1.58x | 352 contexts | իմբեր, թմբեր, խմբեր |
| `ատու` | 1.40x | 704 contexts | բատու, կատու, հատու |
| `րված` | 1.64x | 255 contexts | ջրված, հրված, սրված |
| `կներ` | 1.49x | 432 contexts | մկներ, կներե, սկներ |
| `ազմա` | 1.60x | 200 contexts | կազմա, ազմաթ, ազման |
| `ւմնե` | 1.69x | 134 contexts | ումների, հղւմներ, սումներ |
| `ւթյո` | 1.72x | 115 contexts | ությոա, ություն, լռությո |
| `շխատ` | 1.82x | 71 contexts | աշխատ, աշխատե, աշխատի |
| `աղաք` | 1.73x | 82 contexts | մաղաք, աղաքի, քաղաք |

### 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 |
|--------|--------|-----------|----------|
| `-ա` | `-ն` | 126 words | անտիֆոն, ապակեգործության |
| `-ա` | `-ի` | 101 words | ագնիայի, ավտոդրոմի |
| `-ս` | `-ի` | 84 words | սաիդի, սավաժի |
| `-ս` | `-ն` | 80 words | սոցապահովման, սանդովին |
| `-կ` | `-ն` | 78 words | կամենևին, կազմակերպություններին |
| `-կ` | `-ի` | 74 words | կրիոլիթոսֆերայի, կենսամիջոցների |
| `-ա` | `-ը` | 73 words | աքիսը, ագարդը |
| `-մ` | `-ի` | 72 words | մաքսիմալիզմի, մաուսոլոսի |
| `-մ` | `-ն` | 68 words | մութիւն, մահուին |
| `-մա` | `-ն` | 55 words | մահուին, մաուդան |

### 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 |
|------|-----------------|------------|------|
| կրասնոպոլիե | **`կրասնոպոլ-ի-ե`** | 7.5 | `ի` |
| դիդերմներ | **`դիդերմ-ն-եր`** | 7.5 | `ն` |
| ձնագնդիկներ | **`ձնագնդիկ-ն-եր`** | 7.5 | `ն` |
| վերահսկված | **`վերահսկ-վ-ած`** | 7.5 | `վ` |
| մետակոգնիտիվ | **`մետակոգնիտ-ի-վ`** | 7.5 | `ի` |
| վերահանձնվել | **`վերահանձն-վ-ել`** | 7.5 | `վ` |
| իրականութիւն | **`իրականութ-ի-ւն`** | 7.5 | `ի` |
| կուլիբալիի | **`կուլիբալ-ի-ի`** | 7.5 | `ի` |
| համասարանի | **`համասար-ան-ի`** | 7.5 | `ան` |
| նախամարդիկ | **`նախամարդ-ի-կ`** | 7.5 | `ի` |
| մայրաասպանը | **`մայրաասպ-ան-ը`** | 7.5 | `ան` |
| մտայնությունից | **`մտայնությու-ն-ից`** | 7.5 | `ն` |
| միկրոբիոտիան | **`միկրոբիոտ-ի-ան`** | 7.5 | `ի` |
| սկզբնականից | **`սկզբնակ-ան-ից`** | 7.5 | `ան` |
| տրիպտամիններ | **`տրիպտամին-ն-եր`** | 7.5 | `ն` |

### 6.6 Linguistic Interpretation

> **Automated Insight:**
The language Armenian shows high morphological productivity. The subword models are significantly more efficient than word models, suggesting a rich system of affixation or compounding.

---
## 7. Summary & Recommendations

![Performance Dashboard](visualizations/performance_dashboard.png)

### Production Recommendations

| Component | Recommended | Rationale |
|-----------|-------------|-----------|
| Tokenizer | **64k BPE** | Best compression (5.07x) |
| N-gram | **2-gram** | Lowest perplexity (435) |
| Markov | **Context-4** | Highest predictability (96.0%) |
| 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) × 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.

**R² (Coefficient of Determination)**
> *Definition:* Measures how well the linear fit explains the frequency-rank relationship. Ranges from 0 to 1.
>
> *Intuition:* R² near 1.0 means the data closely follows Zipf's law; lower values indicate deviation from expected word frequency patterns.
>
> *What to seek:* R² > 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

- 🌐 Website: [wikilangs.org](https://wikilangs.org)
- 🤗 Models: [huggingface.co/wikilangs](https://huggingface.co/wikilangs)
- 📊 Data: [wikipedia-monthly](https://huggingface.co/datasets/omarkamali/wikipedia-monthly)
- 👤 Author: [Omar Kamali](https://huggingface.co/omarkamali)
- 🤝 Sponsor: [Featherless AI](https://featherless.ai)
---
*Generated by Wikilangs Models Pipeline*

*Report Date: 2026-01-10 18:05:40*