README.md

---
language: ml
language_name: Malayalam
language_family: dravidian_south
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-dravidian_south
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: 5.366
  - name: best_isotropy
    type: isotropy
    value: 0.7956
  - name: vocabulary_size
    type: vocab
    value: 0
generated: 2026-01-10
---

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

This repository contains NLP models trained and evaluated by Wikilangs, specifically on **Malayalam** 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** | 3.779x | 3.77 | 0.0796% | 1,899,588 |
| **16k** | 4.330x | 4.33 | 0.0913% | 1,657,653 |
| **32k** | 4.867x | 4.86 | 0.1026% | 1,474,841 |
| **64k** | 5.366x 🏆 | 5.36 | 0.1131% | 1,337,826 |

### Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

**Sample 1:** `സിറിയ പരസ്യമായി തുക്കുശിക്ഷ നടപ്പിലാക്കാറുണ്ട്. രണ്ട് ജൂതന്മാരെയും ഇസ്രായേൽ ചാരൻ...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁സി റിയ ▁പരസ്യ മായി ▁തു ക്കു ശിക്ഷ ▁നടപ്പില ാക്ക ാറുണ്ട് ... (+29 more)` | 39 |
| 16k | `▁സിറിയ ▁പരസ്യ മായി ▁തു ക്കു ശിക്ഷ ▁നടപ്പില ാക്ക ാറുണ്ട് . ... (+22 more)` | 32 |
| 32k | `▁സിറിയ ▁പരസ്യമായി ▁തു ക്കു ശിക്ഷ ▁നടപ്പിലാക്ക ാറുണ്ട് . ▁രണ്ട് ▁ജൂത ... (+18 more)` | 28 |
| 64k | `▁സിറിയ ▁പരസ്യമായി ▁തു ക്കു ശിക്ഷ ▁നടപ്പിലാക്ക ാറുണ്ട് . ▁രണ്ട് ▁ജൂത ... (+18 more)` | 28 |

**Sample 2:** `ജെസ്നറിയേസീ കുടുംബത്തിലെ പൂച്ചെടികളുടെ ഒരു ഇനമാണ് അച്ചിമെനെസ് സെറ്റോന. ലാണ് എച്ച...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁ജെ സ് ന റിയ േസീ ▁കുടുംബത്തിലെ ▁പൂ ച്ചെ ട ികളുടെ ... (+24 more)` | 34 |
| 16k | `▁ജെ സ് ന റിയ േസീ ▁കുടുംബത്തിലെ ▁പൂ ച്ചെട ികളുടെ ▁ഒരു ... (+21 more)` | 31 |
| 32k | `▁ജെ സ്ന റിയ േസീ ▁കുടുംബത്തിലെ ▁പൂച്ചെടികളുടെ ▁ഒരു ▁ഇനമാണ് ▁അ ച്ചി ... (+16 more)` | 26 |
| 64k | `▁ജെ സ്ന റിയ േസീ ▁കുടുംബത്തിലെ ▁പൂച്ചെടികളുടെ ▁ഒരു ▁ഇനമാണ് ▁അ ച്ചി ... (+16 more)` | 26 |

**Sample 3:** `ചുവന്ന സൂര്യകാന്തി അല്ലെങ്കിൽ മെക്സിക്കൻ സൂര്യകാന്തി (Tithonia rotundifolia) എന്...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁ചുവന്ന ▁സൂര്യ കാ ന്തി ▁അല്ലെങ്കിൽ ▁മെക്സ ിക്കൻ ▁സൂര്യ കാ ന്തി ... (+15 more)` | 25 |
| 16k | `▁ചുവന്ന ▁സൂര്യ കാ ന്തി ▁അല്ലെങ്കിൽ ▁മെക്സിക്കൻ ▁സൂര്യ കാ ന്തി ▁( ... (+13 more)` | 23 |
| 32k | `▁ചുവന്ന ▁സൂര്യ കാന്തി ▁അല്ലെങ്കിൽ ▁മെക്സിക്കൻ ▁സൂര്യ കാന്തി ▁( t ith ... (+10 more)` | 20 |
| 64k | `▁ചുവന്ന ▁സൂര്യകാന്തി ▁അല്ലെങ്കിൽ ▁മെക്സിക്കൻ ▁സൂര്യകാന്തി ▁( t ith onia ▁rotund ... (+7 more)` | 17 |


### Key Findings

- **Best Compression:** 64k achieves 5.366x compression
- **Lowest UNK Rate:** 8k with 0.0796% 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 | 139,290 | 17.09 | 379,181 | 5.1% | 14.6% |
| **2-gram** | Subword | 4,333 🏆 | 12.08 | 159,693 | 25.9% | 60.4% |
| **3-gram** | Word | 162,356 | 17.31 | 343,937 | 4.1% | 12.3% |
| **3-gram** | Subword | 44,252 | 15.43 | 931,732 | 8.1% | 25.5% |
| **4-gram** | Word | 421,212 | 18.68 | 683,653 | 2.4% | 7.3% |
| **4-gram** | Subword | 274,830 | 18.07 | 3,800,547 | 3.9% | 12.9% |
| **5-gram** | Word | 348,331 | 18.41 | 513,800 | 2.5% | 7.1% |
| **5-gram** | Subword | 911,486 | 19.80 | 7,221,542 | 2.3% | 8.1% |

### Top 5 N-grams by Size

**2-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `of the` | 18,339 |
| 2 | `പുറത്തേക്കുള്ള കണ്ണികൾ` | 13,257 |
| 3 | `അവലംബം പുറത്തേക്കുള്ള` | 8,470 |
| 4 | `എന്ന പേരിൽ` | 7,743 |
| 5 | `in the` | 7,446 |

**3-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `അവലംബം പുറത്തേക്കുള്ള കണ്ണികൾ` | 8,392 |
| 2 | `അവലംബം പുറം കണ്ണികൾ` | 3,573 |
| 3 | `കെ ജെ യേശുദാസ്` | 3,343 |
| 4 | `സി പി ഐ` | 3,263 |
| 5 | `കൺസർവേറ്റീവ് കൺസർവേറ്റീവ് കൺസർവേറ്റീവ്` | 2,878 |

**4-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `സി പി ഐ എം` | 1,992 |
| 2 | `കൺസർവേറ്റീവ് കൺസർവേറ്റീവ് കൺസർവേറ്റീവ് കൺസർവേറ്റീവ്` | 1,978 |
| 3 | `കേരള സാഹിത്യ അക്കാദമി പുരസ്കാരം` | 1,461 |
| 4 | `comments endemic to india` | 990 |
| 5 | `സാഹിത്യ അക്കാദമി പുരസ്കാരം ലഭിച്ച` | 932 |

**5-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `കൺസർവേറ്റീവ് കൺസർവേറ്റീവ് കൺസർവേറ്റീവ് കൺസർവേറ്റീവ് കൺസർവേറ്റീവ്` | 1,225 |
| 2 | `സാഹിത്യ അക്കാദമി പുരസ്കാരം ലഭിച്ച കൃതികൾ` | 687 |
| 3 | `archived from the original on` | 637 |
| 4 | `കോൺഗ്രസ് ഐ യു ഡി എഫ്` | 589 |
| 5 | `ലേബർ ലേബർ ലേബർ ലേബർ ലേബർ` | 588 |

**2-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `. _` | 1,783,270 |
| 2 | `ൽ _` | 1,276,589 |
| 3 | `_ അ` | 1,260,398 |
| 4 | `, _` | 1,069,781 |
| 5 | `ൻ _` | 661,867 |

**3-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ന്നു . _` | 322,382 |
| 2 | `_ അ വ` | 260,904 |
| 3 | `ക ൾ _` | 257,512 |
| 4 | `_ ഒ രു` | 245,468 |
| 5 | `ഒ രു _` | 243,826 |

**4-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `_ ഒ രു _` | 235,393 |
| 2 | `രു ന്നു . _` | 110,664 |
| 3 | `_ എ ന്ന _` | 110,073 |
| 4 | `t h e _` | 94,998 |
| 5 | `_ t h e` | 94,093 |

**5-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `_ t h e _` | 87,370 |
| 2 | `യി രു ന്നു . _` | 72,530 |
| 3 | `_ അ വ ലം ബം` | 64,383 |
| 4 | `അ വ ലം ബം _` | 54,405 |
| 5 | `_ ഉ പ യോ ഗി` | 50,935 |


### Key Findings

- **Best Perplexity:** 2-gram (subword) with 4,333
- **Entropy Trend:** Decreases with larger n-grams (more predictable)
- **Coverage:** Top-1000 patterns cover ~8% 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 | 0.6805 | 1.603 | 5.82 | 2,337,199 | 31.9% |
| **1** | Subword | 0.9605 | 1.946 | 14.48 | 34,171 | 3.9% |
| **2** | Word | 0.1758 | 1.130 | 1.40 | 13,589,609 | 82.4% |
| **2** | Subword | 0.7010 | 1.626 | 5.25 | 494,724 | 29.9% |
| **3** | Word | 0.0434 | 1.031 | 1.07 | 18,962,615 | 95.7% |
| **3** | Subword | 0.5422 | 1.456 | 3.38 | 2,596,737 | 45.8% |
| **4** | Word | 0.0148 🏆 | 1.010 | 1.02 | 20,273,957 | 98.5% |
| **4** | Subword | 0.4401 | 1.357 | 2.35 | 8,776,422 | 56.0% |

### Generated Text Samples (Word-based)

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

**Context Size 1:**

1. `ഒരു ദുരന്തനാടകമായ മാക്ബെത്തിലെ ലേഡി ബേർഡ് എന്നിവയെ ലയിപ്പിച്ച് ജിയോസ്റ്റാർ ഇന്ത്യ കോസ്റ്റാറിക്ക യു ഡ...`
2. `ഈ പ്രദേശത്തിന്റെ സാമൂഹിക സമത്വം എന്ന നിലയിലാണ് പ്രശസ്തൻ ജൊനാഥൻ വാൻ ഐക്കിന്റെ ചിത്രമാണ് sify archived...`
3. `എന്ന ഗാനത്തിന് ഹിന്ദി ടെലിവിഷനിലും അഭിനയം കൂടാതെ ഭസ്മലേപനം തപോവേഷം യോഗ്യമല്ലാത്ത വിഭവങ്ങൾ ഉപയോഗിക്കു...`

**Context Size 2:**

1. `of the vietnam war protests vietnam war in history set for tuesday observer reporter retrieved decem...`
2. `പുറത്തേക്കുള്ള കണ്ണികൾ സർവ്വകലാശാലക്കു കീഴിലുള്ള കലാലയങ്ങൾ പുറേത്തേക്കുള്ള കണ്ണികൾ ഗവൺെമെന്റ് കാേളേജ...`
3. `അവലംബം പുറത്തേക്കുള്ള കണ്ണികൾ bananas org മുസെല്ല ലാസിയോകാർപമ്യൂസെല്ല ലാസിയോകാർപ മരങ്ങൾ സസ്യങ്ങൾ ബംഗ...`

**Context Size 3:**

1. `അവലംബം പുറത്തേക്കുള്ള കണ്ണികൾ strasbourg the most european french city official french website in en...`
2. `അവലംബം പുറം കണ്ണികൾ അമേരിക്കയിലെ സസ്യജാലം സസ്യജാലം സസ്യജാലം സസ്യജാലം സസ്യജാലം അധിനിവേശസസ്യങ്ങൾ`
3. `കെ ജെ യേശുദാസ് കൈതപ്രം ദാമോദരൻ നമ്പൂതിരി തങ്കനിലാ കെ എസ് ചിത്ര അണിയറ പ്രവർത്തകർ ഛായാഗ്രഹണം ആനന്ദക്കു...`

**Context Size 4:**

1. `സി പി ഐ എം ആക്കാവിള സതീക്ക് എൻ ഡി എ എം കെ രാഘവൻ കോൺഗ്രസ് ഐ യു ഡി എഫ് ഫിലിപ്പോസ് തോമസ്`
2. `കൺസർവേറ്റീവ് കൺസർവേറ്റീവ് കൺസർവേറ്റീവ് കൺസർവേറ്റീവ് ലേബർhull south west ലിബറൽ ലിബറൽ ലിബറൽ ലിബറൽ ലിബറ...`
3. `കേരള സാഹിത്യ അക്കാദമി പുരസ്കാരം ഈ കൃതിക്ക് ലഭിച്ചിട്ടുണ്ട് ഈ പുസ്തകത്തിൽ നോവലിന്റെയോ കഥപറച്ചിലിന്റെയ...`


### Generated Text Samples (Subword-based)

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

**Context Size 1:**

1. `_234_ഭാവരിൽ_കളജില്ല._`
2. `._കുറൽ_._നാപുറൻസിന്റായിക്കു`
3. `കൾഡ്_ചലയുള്ളയ്ക്ക്_ഗുണങ്ങളെ_ൽ`

**Context Size 2:**

1. `._തരണത്തിലേർപ്പെട്ടില്ല._അക്കിലിനു`
2. `ൽ_ബസിയിൽ_നിക്കോളാസ്_പ്രകൃതിയുടെ`
3. `_അവനോടെ_പൗരന്മാർ_മന്നേയൻ_റി`

**Context Size 3:**

1. `ന്നു._അതിർത്തിയോ_കൃഷ്ണൻ_:_♂).`
2. `_അവതരിപ്പിക്കുന്നതുവരെ_പോരാട്ടത്തിനു_`
3. `കൾ_ഡാർട്ട്_ഗാലറി_ഡൈക്ലോഫെനാക്_ഉ`

**Context Size 4:**

1. `_ഒരു_മെമ്മറിയും_താലൂക്കുകൾ,_മകൾ`
2. `രുന്നു._ചൈനീസ്_ലിപി:_মোহাম্মদ_সাহা`
3. `_എന്ന_പട്ടണം._ഒന്നാം_ലോകമഹായുദ്ധസ`


### Key Findings

- **Best Predictability:** Context-4 (word) with 98.5% predictability
- **Branching Factor:** Decreases with context size (more deterministic)
- **Memory Trade-off:** Larger contexts require more storage (8,776,422 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 | 801,863 |
| Total Tokens | 20,480,775 |
| Mean Frequency | 25.54 |
| Median Frequency | 3 |
| Frequency Std Dev | 511.27 |

### Most Common Words

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | ഒരു | 243,510 |
| 2 | ഈ | 162,409 |
| 3 | എന്ന | 110,774 |
| 4 | the | 94,058 |
| 5 | of | 88,580 |
| 6 | അവലംബം | 64,447 |
| 7 | ഇത് | 55,817 |
| 8 | നിന്ന് | 50,269 |
| 9 | അദ്ദേഹം | 49,641 |
| 10 | and | 49,492 |

### Least Common Words (from vocabulary)

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | areekode | 2 |
| 2 | ഭാഗമാകുവാനും | 2 |
| 3 | ഗായകനെയും | 2 |
| 4 | ഗഫൂറിനെ | 2 |
| 5 | സ്‌കൂളിനായി | 2 |
| 6 | തെല്ലിപ്പളൈ | 2 |
| 7 | എരവല്ലൻ | 2 |
| 8 | കൈകാടി | 2 |
| 9 | പട്ടപ്പു | 2 |
| 10 | ടെനോം | 2 |

### Zipf's Law Analysis

| Metric | Value |
|--------|-------|
| Zipf Coefficient | 0.8771 |
| R² (Goodness of Fit) | 0.995192 |
| Adherence Quality | **excellent** |

### Coverage Analysis

| Top N Words | Coverage |
|-------------|----------|
| Top 100 | 14.6% |
| Top 1,000 | 34.1% |
| Top 5,000 | 52.2% |
| Top 10,000 | 60.6% |

### Key Findings

- **Zipf Compliance:** R²=0.9952 indicates excellent adherence to Zipf's law
- **High Frequency Dominance:** Top 100 words cover 14.6% of corpus
- **Long Tail:** 791,863 words needed for remaining 39.4% 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 | 0.7956 | 0.3438 | N/A | N/A |
| **mono_64d** | 64 | 0.7180 | 0.2843 | N/A | N/A |
| **mono_128d** | 128 | 0.6063 | 0.2328 | N/A | N/A |
| **aligned_32d** | 32 | 0.7956 🏆 | 0.3488 | 0.0920 | 0.4000 |
| **aligned_64d** | 64 | 0.7180 | 0.2864 | 0.1940 | 0.5680 |
| **aligned_128d** | 128 | 0.6063 | 0.2384 | 0.2720 | 0.6480 |

### Key Findings

- **Best Isotropy:** aligned_32d with 0.7956 (more uniform distribution)
- **Semantic Density:** Average pairwise similarity of 0.2891. Lower values indicate better semantic separation.
- **Alignment Quality:** Aligned models achieve up to 27.2% 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 | **-0.114** | 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 |
|--------|----------|
| `-ക` | കൽപി, കുടുംബത്തിൽ‌, കൊയ്തിരുന്നു |
| `-മ` | മോപ്പസാങ്ങ്, മുറിയിലേയ്ക്കു, മെലിന |
| `-സ` | സമഗ്രസംഭാവനാ, സ്വാധീനിച്ചിരുന്നത്, സർവ്വകലാശാല |
| `-അ` | അറിയപ്പെടുന്നതായുണ്ട്, അഥാനം, അൽഗൊരിതത്തെ |
| `-പ` | പ്രസാദാത്മകതയും, പാർലമെന്റിലേയ്ക്ക്, പ്രവിശ്യാഭരണാധികാരികൾ |
| `-വ` | വ്യാകരണതലമെന്നും, വോൾഗാനദിയുടെ, വെട്ടിപ്പരുക്കേൽ‌പ്പിച്ചതിൽ |
| `-ന` | നിരുത്സാഹപ്പെടുത്തുന്നതിനായി, നാകമൂറക്ക്, നസ്ർ |
| `-ബ` | ബക്ത്, ബന്ധിപ്പിക്കണം, ബാൽഡ്‌വിൻ |

#### Productive Suffixes
| Suffix | Examples |
|--------|----------|
| `-ൽ` | ദിവ്യശക്തിയിൽ, വെട്ടിപ്പരുക്കേൽ‌പ്പിച്ചതിൽ, വ്യത്യാസപ്പെടുന്നുവെങ്കിൽ |
| `-ൾ` | പ്രവിശ്യാഭരണാധികാരികൾ, മോണോഗ്രാഫുകൾ, മനുഷ്യാവശിഷ്ടങ്ങൾ |
| `-യ` | വിടർത്തിയ, ഊർജസ്വലവുമായ, വ്യവസായഗ്രൂപ്പുകളിലൊന്നായ |
| `-ള` | തിരക്കുള്ള, വീട്ടാവശ്യത്തിനുള്ള, പുഞ്ചിരികണ്ണുള്ള |
| `-ൻ` | റെസിൻ, ഗ്രുൻ, ബാൽഡ്‌വിൻ |
| `-കൾ` | പ്രവിശ്യാഭരണാധികാരികൾ, മോണോഗ്രാഫുകൾ, ആദിമപ്രപഞ്ചമാതൃകകൾ |
| `-ന` | മെലിന, ഉപയോഗിക്കുകയെന്ന, ഭരിച്ചുപോന്ന |
| `-ർ` | എതിർത്തവർ, നസ്ർ, വിഷർ |

### 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 |
|------|----------|------------------|----------|
| `atio` | 3.14x | 71 contexts | ratio, jatio, ratios |
| `tion` | 3.05x | 76 contexts | tiong, action, nation |
| `ment` | 3.00x | 81 contexts | ament, mentz, mentv |
| `nter` | 2.90x | 79 contexts | inter, unter, enter |
| `stor` | 3.04x | 62 contexts | storm, stora, stork |
| `isto` | 3.32x | 40 contexts | histo, cristo, aristo |
| `ture` | 2.88x | 57 contexts | turek, future, suture |
| `mber` | 2.89x | 56 contexts | ember, amber, imber |
| `nati` | 3.23x | 36 contexts | nation, donati, naties |
| `ctio` | 3.04x | 39 contexts | action, sectio, lectio |
| `iver` | 2.86x | 48 contexts | river, liver, siver |
| `ersi` | 2.82x | 44 contexts | persia, mersin, bersih |

### 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 |
|--------|--------|-----------|----------|
| `-ക` | `-ൽ` | 76 words | കാരണത്താൽ, കോട്ടമുറിക്കൽ |
| `-പ` | `-ൽ` | 58 words | പാരവശ്യത്തിൽ, പ്രഫഷനൽ |
| `-അ` | `-ൽ` | 36 words | അ‍ഞ്ചൽ, അക്ബർനാമയിൽ |
| `-ക` | `-ൾ` | 33 words | കാസ്റ്റിംഗുകൾ, കുടുംബവഴക്കുകൾ |
| `-ക` | `-ൻ` | 33 words | കാളിയൻ, കോടീശ്വരൻ |
| `-പ` | `-യ` | 33 words | പ്രായ, പ്രോഗ്രാമായ |
| `-സ` | `-ൽ` | 32 words | സൈപ്രസ്സിൽ, സെപ്റ്റംബരിൽ |
| `-ക` | `-ള` | 32 words | ക്ഷേത്രകടവിലുള്ള, കാഴ്ചപ്പാടിലുള്ള |
| `-വ` | `-ൽ` | 31 words | വിധേയരാകുന്നതിൽ, വെൽഡനാഗ്രത്തിൽ |
| `-വ` | `-ള` | 28 words | വംശങ്ങളോടുള്ള, വഞ്ചിമുട്ടംപിള്ള |

### 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 |
|------|-----------------|------------|------|
| theophilus | **`theophil-us`** | 4.5 | `theophil` |
| ഉന്നതപദവികൾ | **`ഉന്നതപദവി-കൾ`** | 4.5 | `ഉന്നതപദവി` |
| മലയാളലിപികൾ | **`മലയാളലിപി-കൾ`** | 4.5 | `മലയാളലിപി` |
| നക്ഷത്രമാണിത് | **`ന-ക-്ഷത്രമാണിത്`** | 4.5 | `്ഷത്രമാണിത്` |
| ഡക്കാന്റെ | **`ഡ-ക-്കാന്റെ`** | 4.5 | `്കാന്റെ` |
| അമരക്കാരും | **`അ-മരക്കാരും`** | 4.5 | `മരക്കാരും` |
| അറസ്റ്റിൽ | **`അ-റസ്റ്റിൽ`** | 4.5 | `റസ്റ്റിൽ` |
| അശ്രദ്ധയും | **`അ-ശ്രദ്ധയും`** | 4.5 | `ശ്രദ്ധയും` |
| നിംബാർക്കൻ | **`നിംബാർക്ക-ൻ`** | 4.5 | `നിംബാർക്ക` |
| michigans | **`michigan-s`** | 4.5 | `michigan` |
| schimperi | **`schimper-i`** | 4.5 | `schimper` |
| പാടിത്തുടങ്ങിയ | **`പാടിത്തുടങ്ങി-യ`** | 4.5 | `പാടിത്തുടങ്ങി` |
| orientales | **`oriental-es`** | 4.5 | `oriental` |
| കൊത്തുപണികൾ | **`കൊത്തുപണി-കൾ`** | 4.5 | `കൊത്തുപണി` |
| ശബ്ദംകേട്ട് | **`ശ-ബ-്ദംകേട്ട്`** | 3.0 | `്ദംകേട്ട്` |

### 6.6 Linguistic Interpretation

> **Automated Insight:**
The language Malayalam 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 (5.37x) |
| N-gram | **2-gram** | Lowest perplexity (4,333) |
| Markov | **Context-4** | Highest predictability (98.5%) |
| 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 16:23:14*