README.md

---
language: ka
language_name: Georgian
language_family: kartvelian
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-kartvelian
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: 5.034
  - name: best_isotropy
    type: isotropy
    value: 0.7869
  - name: vocabulary_size
    type: vocab
    value: 0
generated: 2026-01-10
---

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

This repository contains NLP models trained and evaluated by Wikilangs, specifically on **Georgian** 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** | 3.607x | 3.61 | 0.0743% | 1,129,507 |
| **16k** | 4.126x | 4.13 | 0.0850% | 987,428 |
| **32k** | 4.611x | 4.61 | 0.0950% | 883,432 |
| **64k** | 5.034x 🏆 | 5.04 | 0.1037% | 809,192 |

### Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

**Sample 1:** `ბა () — მეორე ასო არაბულ დამწერლობაში. ბა არის არაბული ვარიანტი ებრაული ბეთისა. ...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁ბა ▁() ▁— ▁მეორე ▁ასო ▁არაბ ულ ▁დამწერ ლობაში . ... (+19 more)` | 29 |
| 16k | `▁ბა ▁() ▁— ▁მეორე ▁ასო ▁არაბულ ▁დამწერ ლობაში . ▁ბა ... (+16 more)` | 26 |
| 32k | `▁ბა ▁() ▁— ▁მეორე ▁ასო ▁არაბულ ▁დამწერ ლობაში . ▁ბა ... (+13 more)` | 23 |
| 64k | `▁ბა ▁() ▁— ▁მეორე ▁ასო ▁არაბულ ▁დამწერლობაში . ▁ბა ▁არის ... (+12 more)` | 22 |

**Sample 2:** `ხათინბულაყი () — სოფელი აზერბაიჯანში, ფუზულის რაიონში. რესურსები ინტერნეტში რაიო...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁ხ ათინ ბ ულა ყ ი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში ... (+10 more)` | 20 |
| 16k | `▁ხ ათინ ბ ულა ყი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ... (+9 more)` | 19 |
| 32k | `▁ხ ათინ ბულა ყი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფუზულის ... (+6 more)` | 16 |
| 64k | `▁ხ ათინ ბულაყი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფუზულის ▁რაიონში ... (+5 more)` | 15 |

**Sample 3:** `მერდინლი () — სოფელი აზერბაიჯანში, ფუზულის რაიონში. რესურსები ინტერნეტში რაიონის...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁მერ დინ ლი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფ უზ ... (+7 more)` | 17 |
| 16k | `▁მერ დინ ლი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფ უზ ... (+7 more)` | 17 |
| 32k | `▁მერ დინ ლი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფუზულის ▁რაიონში ... (+5 more)` | 15 |
| 64k | `▁მერ დინ ლი ▁() ▁— ▁სოფელი ▁აზერბაიჯანში , ▁ფუზულის ▁რაიონში ... (+5 more)` | 15 |


### Key Findings

- **Best Compression:** 64k achieves 5.034x compression
- **Lowest UNK Rate:** 8k with 0.0743% 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 | 211,247 | 17.69 | 839,931 | 5.0% | 14.8% |
| **2-gram** | Subword | 423 🏆 | 8.73 | 18,881 | 58.4% | 96.6% |
| **3-gram** | Word | 297,944 | 18.18 | 972,504 | 4.8% | 13.7% |
| **3-gram** | Subword | 3,918 | 11.94 | 159,884 | 21.8% | 60.3% |
| **4-gram** | Word | 509,839 | 18.96 | 1,548,052 | 4.2% | 12.7% |
| **4-gram** | Subword | 22,811 | 14.48 | 936,455 | 10.0% | 32.5% |
| **5-gram** | Word | 359,649 | 18.46 | 1,104,097 | 4.9% | 14.4% |
| **5-gram** | Subword | 88,814 | 16.44 | 2,995,844 | 5.2% | 19.7% |

### Top 5 N-grams by Size

**2-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `რესურსები ინტერნეტში` | 100,310 |
| 2 | `იხილეთ აგრეთვე` | 38,767 |
| 3 | `ერთ ერთი` | 38,192 |
| 4 | `და სხვა` | 20,983 |
| 5 | `of the` | 20,829 |

**3-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `წლის მონაცემებით მოსახლეობა` | 9,844 |
| 2 | `რესურსები ინტერნეტში სქოლიო` | 8,451 |
| 3 | `მიუხედავად იმისა რომ` | 8,239 |
| 4 | `ოფიციალური საიტი სქოლიო` | 7,888 |
| 5 | `მდებარეობს ზღვის დონიდან` | 7,694 |

**4-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `კაცი წ იხილეთ აგრეთვე` | 6,676 |
| 2 | `მუნიციპალიტეტის ოფიციალური საიტი სქოლიო` | 5,942 |
| 3 | `ოფიციალური საიტი სქოლიო მუნიციპალიტეტები` | 5,878 |
| 4 | `კმ ია იხილეთ აგრეთვე` | 5,763 |
| 5 | `ჭიანჭველასებრთა ერთ ერთი ნაირსახეობა` | 5,614 |

**5-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `მუნიციპალიტეტის ოფიციალური საიტი სქოლიო მუნიციპალიტეტები` | 5,860 |
| 2 | `კლასის ჭიანჭველასებრთა ერთ ერთი ნაირსახეობა` | 5,614 |
| 3 | `მწერთა კლასის ჭიანჭველასებრთა ერთ ერთი` | 5,614 |
| 4 | `ფეხსახსრიანთა ტიპის მწერთა კლასის ჭიანჭველასებრთა` | 5,614 |
| 5 | `ტიპის მწერთა კლასის ჭიანჭველასებრთა ერთ` | 5,614 |

**2-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ს _` | 7,040,665 |
| 2 | `ი ს` | 7,006,427 |
| 3 | `ი _` | 6,580,536 |
| 4 | `ა _` | 4,984,758 |
| 5 | `ე ბ` | 4,979,269 |

**3-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ი ს _` | 5,017,584 |
| 2 | `ე ბ ი` | 2,375,826 |
| 3 | `_ დ ა` | 2,051,321 |
| 4 | `_ ს ა` | 1,739,078 |
| 5 | `დ ა _` | 1,650,928 |

**4-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `_ დ ა _` | 1,089,218 |
| 2 | `ბ ი ს _` | 984,947 |
| 3 | `ე ბ ი ს` | 883,610 |
| 4 | `ე ბ ი _` | 738,436 |
| 5 | `ი ს _ მ` | 733,039 |

**5-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ე ბ ი ს _` | 734,333 |
| 2 | `ა _ დ ა _` | 430,206 |
| 3 | `, _ რ ო მ` | 406,399 |
| 4 | `ი ს _ ს ა` | 350,334 |
| 5 | `ე ბ უ ლ ი` | 307,583 |


### Key Findings

- **Best Perplexity:** 2-gram (subword) with 423
- **Entropy Trend:** Decreases with larger n-grams (more predictable)
- **Coverage:** Top-1000 patterns cover ~20% 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 | 0.9133 | 1.883 | 9.96 | 1,644,802 | 8.7% |
| **1** | Subword | 1.0685 | 2.097 | 7.59 | 8,326 | 0.0% |
| **2** | Word | 0.2778 | 1.212 | 1.75 | 16,356,120 | 72.2% |
| **2** | Subword | 0.7948 | 1.735 | 5.53 | 63,087 | 20.5% |
| **3** | Word | 0.0801 | 1.057 | 1.15 | 28,502,543 | 92.0% |
| **3** | Subword | 0.7992 | 1.740 | 4.61 | 348,410 | 20.1% |
| **4** | Word | 0.0282 🏆 | 1.020 | 1.04 | 32,622,645 | 97.2% |
| **4** | Subword | 0.7081 | 1.634 | 3.48 | 1,604,353 | 29.2% |

### Generated Text Samples (Word-based)

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

**Context Size 1:**

1. `და ფესტივალის roadburn festival at war chapter 8 6 7 489 ხელოვნებაში გაწაფული და დასავლური მარიული`
2. `წლის აპრილში ჟურნალ modern philology v საუკუნეებით ძეგლი ვატერტონ გლასიერის მშვიდობის განმტკიცებაში ...`
3. `წელს ტაძრის კრამიტი ცემენტქვიშის ხსნარის სიმკვრივე 0 1 ნოემბერი დეკემბერი მუნიციპალიტეტში ჭალის მუხი...`

**Context Size 2:**

1. `რესურსები ინტერნეტში ოფიციალური საიტი სქოლიო მუნიციპალიტეტები ქალაქები და წელს ის მიიწვიეს პეტერბურგ...`
2. `იხილეთ აგრეთვე მინას ჟერაისი ბრაზილიის შტატები რესურსები ინტერნეტში ოფიციალური საიტი ჰარპერი მუსიკოს...`
3. `ერთ ერთი ინიციატორი სული და ამ დროიდან ციხესიმაგრემ შეწყვიტა მხოლოდ მაშინ ექვემდებარება თუ ოჯახს საკ...`

**Context Size 3:**

1. `წლის მონაცემებით მოსახლეობა 84 469 ადამიანს შეადგენდა ფართობი 358 კმ მოსახლეობა 61 418 ადამიანი წლის...`
2. `მიუხედავად იმისა რომ მპა მედიკამენტურად ვერ იკურნება მედიკამენტები შეიძლება გამოვიყენოთ სიმპტომების ...`
3. `რესურსები ინტერნეტში სქოლიო მომღერლები 25 აგვისტო records ის შემსრულებლები records ის შემსრულებლები ...`

**Context Size 4:**

1. `კაცი წ იხილეთ აგრეთვე სევილიის მუნიციპალიტეტები რესურსები ინტერნეტში ალანისის მუნიციპალიტეტის ოფიცია...`
2. `მუნიციპალიტეტის ოფიციალური საიტი სქოლიო მუნიციპალიტეტები ქალაქები გვერდები გვარის შემცველი სიებით გვ...`
3. `კმ ია იხილეთ აგრეთვე კოლუმბიის ქალაქების სია რესურსები ინტერნეტში ქალაქის მთავრობის საიტი ქალაქის სა...`


### Generated Text Samples (Subword-based)

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

**Context Size 1:**

1. `_მეენა;_წლოგას_კ`
2. `ა_მოს_მდისაღობულ`
3. `ისა_ც_ბოჰას_სტჩი`

**Context Size 2:**

1. `ს_ნიერალიერგიერის`
2. `ის_ოქმნინის_მკვე_`
3. `ი_ერთემელი,_nalos`

**Context Size 3:**

1. `ის_ჯვრია_დაში,_რომ`
2. `ების_წარმოდის_კრებ`
3. `_დაიქცა._კიდერილთა`

**Context Size 4:**

1. `_და_ამ_პროვი._თამაშ`
2. `ბის_საჭირო._წელს._ხ`
3. `ებისამე_სირიის_წყალ`


### Key Findings

- **Best Predictability:** Context-4 (word) with 97.2% predictability
- **Branching Factor:** Decreases with context size (more deterministic)
- **Memory Trade-off:** Larger contexts require more storage (1,604,353 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 | 715,127 |
| Total Tokens | 37,347,310 |
| Mean Frequency | 52.22 |
| Median Frequency | 4 |
| Frequency Std Dev | 1624.79 |

### Most Common Words

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | და | 1,097,500 |
| 2 | წლის | 288,743 |
| 3 | წელს | 254,559 |
| 4 | იყო | 188,838 |
| 5 | ის | 162,453 |
| 6 | რომელიც | 141,611 |
| 7 | the | 128,418 |
| 8 | რომ | 124,976 |
| 9 | 1 | 122,280 |
| 10 | მისი | 118,080 |

### Least Common Words (from vocabulary)

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | pbsuccess | 2 |
| 2 | მანგუსი | 2 |
| 3 | ბარნჰამი | 2 |
| 4 | რაჩაკის | 2 |
| 5 | peig | 2 |
| 6 | ლემსის | 2 |
| 7 | smap | 2 |
| 8 | კამიტის | 2 |
| 9 | ვილაკამპას | 2 |
| 10 | დევორეს | 2 |

### Zipf's Law Analysis

| Metric | Value |
|--------|-------|
| Zipf Coefficient | 0.9374 |
| R² (Goodness of Fit) | 0.993145 |
| Adherence Quality | **excellent** |

### Coverage Analysis

| Top N Words | Coverage |
|-------------|----------|
| Top 100 | 19.3% |
| Top 1,000 | 42.2% |
| Top 5,000 | 62.0% |
| Top 10,000 | 70.3% |

### Key Findings

- **Zipf Compliance:** R²=0.9931 indicates excellent adherence to Zipf's law
- **High Frequency Dominance:** Top 100 words cover 19.3% of corpus
- **Long Tail:** 705,127 words needed for remaining 29.7% 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 | 0.7869 | 0.3479 | N/A | N/A |
| **mono_64d** | 64 | 0.7389 | 0.2989 | N/A | N/A |
| **mono_128d** | 128 | 0.6243 | 0.2604 | N/A | N/A |
| **aligned_32d** | 32 | 0.7869 🏆 | 0.3607 | 0.1100 | 0.4300 |
| **aligned_64d** | 64 | 0.7389 | 0.3031 | 0.2300 | 0.6300 |
| **aligned_128d** | 128 | 0.6243 | 0.2636 | 0.2980 | 0.7120 |

### Key Findings

- **Best Isotropy:** aligned_32d with 0.7869 (more uniform distribution)
- **Semantic Density:** Average pairwise similarity of 0.3057. Lower values indicate better semantic separation.
- **Alignment Quality:** Aligned models achieve up to 29.8% 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 | **-0.271** | 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 |
|--------|----------|
| `-სა` | სატომთაშორისო, საგანძურისა, სამართლიანი |
| `-ა` | ავტომატიზირებულ, აგროტექნიკის, აცაურას |
| `-გა` | გამოვლინებებამდე, გამაცალკევებელი, გათხრებისთვის |
| `-და` | დაგვანებეთ, დაკრძალულ, დაპყრობლი |
| `-მ` | მოკავშირეობაზე, მავრიკიოსს, მანიშნებელ |
| `-მა` | მავრიკიოსს, მანიშნებელ, მარჯანიშვილი |
| `-მო` | მოკავშირეობაზე, მომქნევი, მომლოცველთაგან |
| `-ს` | სატომთაშორისო, საგანძურისა, სამართლიანი |

#### Productive Suffixes
| Suffix | Examples |
|--------|----------|
| `-ს` | დრეიკს, მავრიკიოსს, დრაჩას |
| `-ი` | ბანიშევსკი, ეგზემპლარში, სამართლიანი |
| `-ის` | პარმელის, იასარის, ყუსარის |
| `-ა` | კირქვისაა, ზედამიოცენისა, საგანძურისა |
| `-ან` | დიაკონთან, ერდმან, ბრიტანელებისაგან |
| `-ნ` | დიაკონთან, ერდმან, ბრიტანელებისაგან |
| `-ლი` | მარჯანიშვილი, ჩამოშორებული, დაპყრობლი |
| `-სა` | ზედამიოცენისა, საგანძურისა, ტყვიავისა |

### 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 |
|------|----------|------------------|----------|
| `ეთის` | 1.85x | 194 contexts | ჩეთის, შეთის, ბეთის |
| `ელებ` | 1.48x | 550 contexts | ელები, კელებ, ჯელებ |
| `მდეგ` | 2.33x | 52 contexts | ემდეგ, შამდეგ, დამდეგ |
| `ენებ` | 1.41x | 544 contexts | ენება, ენები, ენებს |
| `ებულ` | 1.59x | 250 contexts | ქებულ, კრებულ, ქებული |
| `დგენ` | 1.75x | 134 contexts | ადგენს, ვადგენ, უდგენს |
| `ართვ` | 1.68x | 147 contexts | ქართვ, მართვე, ჩართვა |
| `რთვე` | 1.81x | 96 contexts | მართვე, რთველს, ქართვე |
| `ომელ` | 1.63x | 118 contexts | ტომელ, რომელ, დომელი |
| `ნტერ` | 1.51x | 148 contexts | უნტერ, ინტერ, ენტერ |
| `ავლე` | 1.43x | 180 contexts | სავლე, ავლენ, პავლე |
| `ალაქ` | 1.58x | 106 contexts | ქალაქ, მალაქ, დალაქს |

### 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 |
|--------|--------|-----------|----------|
| `-მ` | `-ს` | 186 words | მონოტონურობის, მოსულიშვილს |
| `-მ` | `-ი` | 167 words | მხატვრებში, მელანქოლიკური |
| `-მ` | `-ა` | 129 words | მღებავთა, მანდილოსნებმა |
| `-ა` | `-ი` | 124 words | ალტენბურგში, ატკინი |
| `-ა` | `-ს` | 120 words | ალდეს, ანდერსონის |
| `-გა` | `-ა` | 111 words | გამეგზავრა, გაკრიტიკება |
| `-მ` | `-ის` | 104 words | მონოტონურობის, მუსანდამის |
| `-ა` | `-ა` | 93 words | აბრევიაცია, აიუთაია |
| `-ს` | `-ს` | 88 words | სისლეის, სკიარას |
| `-ს` | `-ი` | 82 words | საფრთხეში, სტერეოსკოპული |

### 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 |
|------|-----------------|------------|------|
| დაკარგვასა | **`დაკარგვა-ს-ა`** | 7.5 | `ს` |
| პედიატრიასა | **`პედიატრია-ს-ა`** | 7.5 | `ს` |
| ინდიკატორებია | **`ინდიკატორებ-ი-ა`** | 7.5 | `ი` |
| კარნახობდათ | **`კარნახობდ-ა-თ`** | 7.5 | `ა` |
| ნაციონალიზმსა | **`ნაციონალიზმ-ს-ა`** | 7.5 | `ს` |
| მიმოხილვაზე | **`მიმოხილვ-ა-ზე`** | 7.5 | `ა` |
| მეტყევეობაში | **`მეტყევეობ-ა-ში`** | 7.5 | `ა` |
| არისტოკრატია | **`არისტოკრატ-ი-ა`** | 7.5 | `ი` |
| გადაუხდელობას | **`გადაუხდელობ-ა-ს`** | 7.5 | `ა` |
| провинцииოსო | **`провинцииო-ს-ო`** | 7.5 | `ს` |
| ძეგლებსაც | **`ძეგლებ-ს-აც`** | 7.5 | `ს` |
| კონფისკაციასა | **`კონფისკაცია-ს-ა`** | 7.5 | `ს` |
| არაკატაკაში | **`არაკატაკ-ა-ში`** | 7.5 | `ა` |
| მონოკრისტალი | **`მონოკრისტ-ა-ლი`** | 7.5 | `ა` |
| ჰოლანდიას | **`ჰოლანდი-ა-ს`** | 7.5 | `ა` |

### 6.6 Linguistic Interpretation

> **Automated Insight:**
The language Georgian 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 (5.03x) |
| N-gram | **2-gram** | Lowest perplexity (423) |
| Markov | **Context-4** | Highest predictability (97.2%) |
| 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 11:10:47*