README.md

---
language: my
language_name: Burmese
language_family: tibetoburman_burmese
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-tibetoburman_burmese
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: 5.618
  - name: best_isotropy
    type: isotropy
    value: 0.6934
  - name: vocabulary_size
    type: vocab
    value: 0
generated: 2026-01-10
---

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

This repository contains NLP models trained and evaluated by Wikilangs, specifically on **Burmese** 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** | 4.094x | 4.09 | 0.0581% | 1,838,036 |
| **16k** | 4.637x | 4.64 | 0.0658% | 1,622,639 |
| **32k** | 5.147x | 5.15 | 0.0731% | 1,461,988 |
| **64k** | 5.618x 🏆 | 5.62 | 0.0797% | 1,339,281 |

### Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

**Sample 1:** `လက်ပန်ကွင်းရွာ၊ လက်ပန်ကွင်း ကိုးကား ရွာများ ရွာများ`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁လက်ပန် ကွင်းရွာ၊ ▁လက်ပန် ကွင်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ` | 7 |
| 16k | `▁လက်ပန် ကွင်းရွာ၊ ▁လက်ပန် ကွင်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ` | 7 |
| 32k | `▁လက်ပန် ကွင်းရွာ၊ ▁လက်ပန် ကွင်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ` | 7 |
| 64k | `▁လက်ပန် ကွင်းရွာ၊ ▁လက်ပန် ကွင်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ` | 7 |

**Sample 2:** `ကွင်းယားကုန်းရွာ၊ ဇငြွ်ပန်းကုန်း ကိုးကား ရွာများ ရွာများ`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁ကွင်း ယား ကုန်းရွာ၊ ▁ဇ ငြ ွ ် ပန်း ကုန်း ▁ကိုးကား ... (+2 more)` | 12 |
| 16k | `▁ကွင်းယား ကုန်းရွာ၊ ▁ဇ ငြ ွ ် ပန်းကုန်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ` | 10 |
| 32k | `▁ကွင်းယား ကုန်းရွာ၊ ▁ဇငြွ်ပန်းကုန်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ` | 6 |
| 64k | `▁ကွင်းယား ကုန်းရွာ၊ ▁ဇငြွ်ပန်းကုန်း ▁ကိုးကား ▁ရွာများ ▁ရွာများ` | 6 |

**Sample 3:** `ထီတိုလိုအဖျားရွာ၊ ထီတိုလို ကိုးကား ရွာများ ရွာများ`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁ထ ီတ ိုလို အ ဖျား ရွာ၊ ▁ထ ီတ ိုလို ▁ကိုးကား ... (+2 more)` | 12 |
| 16k | `▁ထ ီတ ိုလို အဖျား ရွာ၊ ▁ထ ီတ ိုလို ▁ကိုးကား ▁ရွာများ ... (+1 more)` | 11 |
| 32k | `▁ထီတ ိုလို အဖျား ရွာ၊ ▁ထီတ ိုလို ▁ကိုးကား ▁ရွာများ ▁ရွာများ` | 9 |
| 64k | `▁ထီတ ိုလို အဖျား ရွာ၊ ▁ထီတ ိုလို ▁ကိုးကား ▁ရွာများ ▁ရွာများ` | 9 |


### Key Findings

- **Best Compression:** 64k achieves 5.618x compression
- **Lowest UNK Rate:** 8k with 0.0581% 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 | 8,831 | 13.11 | 97,119 | 30.8% | 47.6% |
| **2-gram** | Subword | 1,887 🏆 | 10.88 | 72,847 | 36.4% | 73.5% |
| **3-gram** | Word | 9,813 | 13.26 | 126,512 | 31.4% | 48.2% |
| **3-gram** | Subword | 17,172 | 14.07 | 481,303 | 16.6% | 40.4% |
| **4-gram** | Word | 30,676 | 14.90 | 264,000 | 23.6% | 36.4% |
| **4-gram** | Subword | 90,180 | 16.46 | 1,884,383 | 10.1% | 25.4% |
| **5-gram** | Word | 39,876 | 15.28 | 238,225 | 20.9% | 31.1% |
| **5-gram** | Subword | 269,959 | 18.04 | 3,576,330 | 8.2% | 18.7% |

### Top 5 N-grams by Size

**2-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ကိုးကား ရွာများ` | 58,566 |
| 2 | `ရွာနေရာကုတ်မှာ ဖြစ်သည်` | 51,588 |
| 3 | `တည်ရှိသည် ရွာနေရာကုတ်မှာ` | 51,568 |
| 4 | `ဖြစ်သည် သန်းခေါင်စာရင်းအရ` | 37,043 |
| 5 | `ဦး မ` | 36,542 |

**3-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `တည်ရှိသည် ရွာနေရာကုတ်မှာ ဖြစ်သည်` | 51,563 |
| 2 | `ရွာနေရာကုတ်မှာ ဖြစ်သည် သန်းခေါင်စာရင်းအရ` | 36,945 |
| 3 | `ဦး လူဦးရေ စုစုပေါင်း` | 34,572 |
| 4 | `လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည်` | 28,628 |
| 5 | `ဦးနေထိုင်သည် ကိုးကား ရွာများ` | 27,771 |

**4-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `တည်ရှိသည် ရွာနေရာကုတ်မှာ ဖြစ်သည် သန်းခေါင်စာရင်းအရ` | 36,927 |
| 2 | `ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည်` | 28,628 |
| 3 | `လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား` | 25,411 |
| 4 | `စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ` | 25,261 |
| 5 | `မ ဦး လူဦးရေ စုစုပေါင်း` | 22,994 |

**5-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား` | 25,411 |
| 2 | `လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ` | 25,261 |
| 3 | `ဦး မ ဦး လူဦးရေ စုစုပေါင်း` | 22,994 |
| 4 | `မ ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည်` | 21,852 |
| 5 | `ကျား ဦး မ ဦး လူဦးရေ` | 21,303 |

**2-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ာ း` | 1,540,592 |
| 2 | `င် း` | 1,127,081 |
| 3 | `သ ည်` | 1,053,771 |
| 4 | `း _` | 1,020,236 |
| 5 | `။ _` | 832,045 |

**3-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `သ ည် ။` | 647,008 |
| 2 | `ည် ။ _` | 635,498 |
| 3 | `မျ ာ း` | 557,792 |
| 4 | `ာ း _` | 379,277 |
| 5 | `သ ည် _` | 308,511 |

**4-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `သ ည် ။ _` | 626,895 |
| 2 | `ဖြ စ် သ ည်` | 152,777 |
| 3 | `စ် သ ည် ။` | 146,842 |
| 4 | `း မျ ာ း` | 134,710 |
| 5 | `မျ ာ း _` | 123,549 |

**5-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ဖြ စ် သ ည် ။` | 146,362 |
| 2 | `စ် သ ည် ။ _` | 143,004 |
| 3 | `_ ဖြ စ် သ ည်` | 102,596 |
| 4 | `ခဲ့ သ ည် ။ _` | 101,218 |
| 5 | `း ရွ ာ အု ပ်` | 99,853 |


### Key Findings

- **Best Perplexity:** 2-gram (subword) with 1,887
- **Entropy Trend:** Decreases with larger n-grams (more predictable)
- **Coverage:** Top-1000 patterns cover ~19% 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 | 0.3898 | 1.310 | 2.70 | 2,269,123 | 61.0% |
| **1** | Subword | 1.1880 | 2.278 | 16.40 | 12,091 | 0.0% |
| **2** | Word | 0.0846 | 1.060 | 1.16 | 6,111,017 | 91.5% |
| **2** | Subword | 0.7455 | 1.677 | 6.00 | 198,292 | 25.5% |
| **3** | Word | 0.0245 | 1.017 | 1.04 | 7,076,304 | 97.5% |
| **3** | Subword | 0.5456 | 1.460 | 3.39 | 1,190,344 | 45.4% |
| **4** | Word | 0.0104 🏆 | 1.007 | 1.02 | 7,324,998 | 99.0% |
| **4** | Subword | 0.4066 | 1.326 | 2.29 | 4,039,178 | 59.3% |

### Generated Text Samples (Word-based)

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

**Context Size 1:**

1. `ဖြစ်သည် ဒါဘန်မြို့ကြီးဒေသသည် တောင်အာဖရိကတွင် နယ်လ်ဆင်မင်ဒဲလားနှင့် တွေ့ဆုံခဲ့ပြီး ကောင်းကင်တမန်များန...`
2. `သည် မကွေးတိုင်းဒေသကြီး မင်းဘူးခရိုင် ကုန်ကူးသန်းရောင်းဝယ်ရေးအတွက် အရေးပါသောဆိပ်ကမ်းမြို့ဖြစ်လေသည် သင...`
3. `ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ ရွာများ ရွာများ ရွာများ ရွာများ ရွာများ ရွာများ ရွ...`

**Context Size 2:**

1. `ရွာနေရာကုတ်မှာ ဖြစ်သည် ၁၄ ဂိုး mohammad al sahlawi မန်နေဂျာ juan antonio gk 1 igor akinfeev c rb 2`
2. `တည်ရှိသည် ရွာနေရာကုတ်မှာ ဖြစ်သည် ကိုးကား ဘူတာရုံများ ဘူတာရုံများ`
3. `ဖြစ်သည် သန်းခေါင်စာရင်းအရ လိန်တောကျေးရွာအုပ်စုတွင် ကျား ဦး မ ၅၈၈ ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် က...`

**Context Size 3:**

1. `တည်ရှိသည် ရွာနေရာကုတ်မှာ ဖြစ်သည် ကိုးကား ရွာများ ရွာများ ပြိုင်းချောင်းရွာ ကိုးကား ရွာများ ရွာများ စ...`
2. `ရွာနေရာကုတ်မှာ ဖြစ်သည် သန်းခေါင်စာရင်းအရ ကော့လှိုင်ကျေးရွာအုပ်စုတွင် ကျား ဦး မ ဦး လူဦးရေ စုစုပေါင်း ...`
3. `ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ ကျားသားလေးများ နေထိုင်ရာ အအိုဆေး အပျိုဆေး ရှိ`

**Context Size 4:**

1. `တည်ရှိသည် ရွာနေရာကုတ်မှာ ဖြစ်သည် သန်းခေါင်စာရင်းအရ ကဝါးပန်းကျေးရွာအုပ်စုတွင် ကျား ၆၁ ဦး မ ၅၈ ဦး လူဦး...`
2. `ဦး လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ ကျားသားလေးများ နေထိုင်ရာ အအိုဆေး အပျိုဆေး ရှိ`
3. `လူဦးရေ စုစုပေါင်း ဦးနေထိုင်သည် ကိုးကား ရွာများ ကျားသားလေးများ နေထိုင်ရာ အအိုဆေး အပျိုဆေး ရှိ`


### Generated Text Samples (Subword-based)

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

**Context Size 1:**

1. `_ကာခဲ့သဖြစ်ဇဘာအုပ်ငန်းချွ`
2. `း၊_ဆန်း_ပညာနာ_နှင့်_`
3. `ာင်းလ)သည်ရှိခဲ့ပြီ_နာတ်_မ`

**Context Size 2:**

1. `ား_လူဦးနေ_အမေရိကန်တောက်ထု`
2. `င်းပါမောင်ရွာအုပ်စု၌_အပိုင်`
3. `သည်_အလယ်လုပ်ကိုင်_ဘာသည်။_`

**Context Size 3:**

1. `သည်။_ကိုးကား_ကိုယ်ပိုင်သီချင်း`
2. `ည်။_ရွာများ_ဓားရှာဖွေတွေ့ရှိနို`
3. `များ)_အလယ်တန်းကျေးဇူးကြောင်`

**Context Size 4:**

1. `သည်။_6|39|_စင်စစ်_ဖြစ်ပြီး`
2. `ဖြစ်သည်။_ဒွတ္တပေါင်မင်းကြီးကျေးရွ`
3. `စ်သည်။_ယနေ့ခေတ်၏_အိပ်ရာခင်းပြီ`


### Key Findings

- **Best Predictability:** Context-4 (word) with 99.0% predictability
- **Branching Factor:** Decreases with context size (more deterministic)
- **Memory Trade-off:** Larger contexts require more storage (4,039,178 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 | 535,794 |
| Total Tokens | 7,184,049 |
| Mean Frequency | 13.41 |
| Median Frequency | 3 |
| Frequency Std Dev | 366.75 |

### Most Common Words

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | ဖြစ်သည် | 101,666 |
| 2 | သည် | 96,325 |
| 3 | ကိုးကား | 92,437 |
| 4 | ဦး | 83,872 |
| 5 | ရွာများ | 67,205 |
| 6 | ရက် | 60,957 |
| 7 | တည်ရှိသည် | 57,556 |
| 8 | ရွာနေရာကုတ်မှာ | 51,593 |
| 9 | နှင့် | 40,151 |
| 10 | မ | 38,196 |

### Least Common Words (from vocabulary)

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | ကျောက်ကြီးမြို့နယ်အတွင်းရှိ | 2 |
| 2 | ယမတိုခဆွတ်ရဂိတောင် | 2 |
| 3 | ခအိနတောင် | 2 |
| 4 | ခမိုတောင် | 2 |
| 5 | တန်းရှင်းတောင် | 2 |
| 6 | ရှိနိုဂတောင်ထိပ် | 2 |
| 7 | ယောဆွတ်ဘတို | 2 |
| 8 | ယောဆွတ်ဘ | 2 |
| 9 | 1xbet | 2 |
| 10 | seppiko | 2 |

### Zipf's Law Analysis

| Metric | Value |
|--------|-------|
| Zipf Coefficient | 0.8889 |
| R² (Goodness of Fit) | 0.998993 |
| Adherence Quality | **excellent** |

### Coverage Analysis

| Top N Words | Coverage |
|-------------|----------|
| Top 100 | 22.8% |
| Top 1,000 | 38.0% |
| Top 5,000 | 52.0% |
| Top 10,000 | 58.7% |

### Key Findings

- **Zipf Compliance:** R²=0.9990 indicates excellent adherence to Zipf's law
- **High Frequency Dominance:** Top 100 words cover 22.8% of corpus
- **Long Tail:** 525,794 words needed for remaining 41.3% 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 | 0.6749 | 0.3233 | N/A | N/A |
| **mono_64d** | 64 | 0.6458 | 0.2438 | N/A | N/A |
| **mono_128d** | 128 | 0.6934 | 0.1709 | N/A | N/A |
| **aligned_32d** | 32 | 0.6749 | 0.3433 | 0.0640 | 0.3360 |
| **aligned_64d** | 64 | 0.6458 | 0.2465 | 0.1420 | 0.4260 |
| **aligned_128d** | 128 | 0.6934 🏆 | 0.1662 | 0.2060 | 0.5080 |

### Key Findings

- **Best Isotropy:** aligned_128d with 0.6934 (more uniform distribution)
- **Semantic Density:** Average pairwise similarity of 0.2490. Lower values indicate better semantic separation.
- **Alignment Quality:** Aligned models achieve up to 20.6% 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 | **5.000** | High morphological productivity | Reliable analysis |
| Idiomaticity Gap | **0.664** | 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 |
|--------|----------|
| `-အ` | အလားတူလင့်ခ်များ, အလက်စကားပြည်နယ်, အလ္လာဟ် |
| `-မ` | မေးမြန်းလျက်, မဟာသုတသောမဇာတ်အဆုံး, မသိစေရန် |
| `-က` | ကက်စတီးပြည်နယ်ကို, ကံသစ်ကျေးရွာအုပ်စု, ကိလေသာဝဋ် |
| `-သ` | သုံးရက်မြောက်နေ့တွင်, သံဃာ့ဆေးရုံ, သက်ဝင်ယုံကြည်မှု |
| `-ပ` | ပုဂံနေပြည်တော်သို့, ပြစ်မှုအမျိုးအစားပေါ်မူတည်, ပစ္စည်းများစွာ |
| `-တ` | တင်းနစ်နှင့်, တစ်ယောက်နဲ့, တက်လာသည် |
| `-ရ` | ရူသာဖို့ဒ်က, ရွေးကောက်ပွဲကျင်းပခဲ့သည်, ရိုးရာသည် |
| `-လ` | လေ့ရှိပေသည်, လှုပ်ခါမှုကို, လိုချင်သည့် |

#### Productive Suffixes
| Suffix | Examples |
|--------|----------|
| `-က` | ရူသာဖို့ဒ်က, အလက, သိဝက |
| `-s` | investments, watsons, hispidissimus |
| `-e` | capacitance, stéphane, awardsfavorite |
| `-n` | balujun, maccabean, မိုဘိုင်းvpn |
| `-ရ` | နိဗ္ဗာန်ရ, ဘဒ္ဒန္တဉာဏိဿရ, ာက်ရ |
| `-a` | ghulja, kinema, ida |
| `-ng` | retracing, chantanayingyong, luang |
| `-on` | relation, washinton, baryon |

### 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 |
|------|----------|------------------|----------|
| `ment` | 3.58x | 41 contexts | ament, ement, mental |
| `tion` | 3.31x | 50 contexts | tiong, notion, option |
| `nter` | 3.41x | 44 contexts | inter, enter, center |
| `atio` | 3.41x | 39 contexts | ratio, nation, cations |
| `inte` | 3.45x | 34 contexts | inter, intel, intent |
| `vers` | 3.09x | 50 contexts | versa, verse, versed |
| `iona` | 3.50x | 15 contexts | fiona, dionaea, nasional |
| `onal` | 3.46x | 9 contexts | tonal, donald, ronald |

### 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 |
|--------|--------|-----------|----------|
| `-အ` | `-က` | 26 words | အချို့ကတည်းက, အင်အားကြီးသူများက |
| `-ပ` | `-က` | 18 words | ပေါထုဇ္ဇနိက, ပဒေသရာဇ်ခေတ်က |
| `-မ` | `-က` | 17 words | မန္ဒာယုက, မြန်မာကလေးများက |
| `-ရ` | `-က` | 17 words | ရှူမိပါက, ရေနံကုမ္ပဏီများက |
| `-အ` | `-ရ` | 9 words | အဋ္ဌင်္ဂိကဝါရ, အဘိဓမ္မာဝတာရ |
| `-က` | `-က` | 8 words | ကလိဗ်လန်းက, ကိုဘဟိန်းက |
| `-စ` | `-က` | 8 words | စကြာမင်းဖြစ်စဉ်က, စာရေးသူများက |
| `-တ` | `-က` | 8 words | တတိယပါရာဇိက, တက္ကသိုလ်ဆရာတစ်ဦးက |
| `-သ` | `-ရ` | 7 words | သတ္တင်္ဂုတ္တရ, သတ္တန္တရ |
| `-လ` | `-က` | 7 words | လက်ခံနိုင်ပါက, လက်ဝဲနော်ရထာအမတ်က |

### 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 |
|------|-----------------|------------|------|
| မနှစ်သက်ကြသဖြင့် | **`မ-နှစ်သက်ကြသဖြင့်`** | 4.5 | `နှစ်သက်ကြသဖြင့်` |
| အဆောင်အဖြစ် | **`အ-ဆောင်အဖြစ်`** | 4.5 | `ဆောင်အဖြစ်` |
| ဝတ္ထုတိုဆုနှင့် | **`ဝ-တ-္ထုတိုဆုနှင့်`** | 4.5 | `္ထုတိုဆုနှင့်` |
| လတွင်လည်းကောင်း | **`လ-တွင်လည်းကောင်း`** | 4.5 | `တွင်လည်းကောင်း` |
| တိုင်းတာမှုအရ | **`တိုင်းတာမှု-အရ`** | 4.5 | `တိုင်းတာမှု` |
| နစ်နာရသည် | **`န-စ-်နာရသည်`** | 4.5 | `်နာရသည်` |
| မအောင်မြင်ခဲ့ | **`မ-အောင်မြင်ခဲ့`** | 4.5 | `အောင်မြင်ခဲ့` |
| cardinals | **`cardinal-s`** | 4.5 | `cardinal` |
| နဂါးမောက် | **`န-ဂ-ါးမောက်`** | 4.5 | `ါးမောက်` |
| လက်ဝှေ့ပညာ | **`လ-က-်ဝှေ့ပညာ`** | 4.5 | `်ဝှေ့ပညာ` |
| ကျိုက်လတ်မြို့က | **`ကျိုက်လတ်မြို့-က`** | 4.5 | `ကျိုက်လတ်မြို့` |
| အစာတို့တွင် | **`အ-စာတို့တွင်`** | 4.5 | `စာတို့တွင်` |
| စကားတော်များကို | **`စ-က-ားတော်များကို`** | 4.5 | `ားတော်များကို` |
| တယ်လီဖပ်စ်က | **`တယ်လီဖပ်စ်-က`** | 4.5 | `တယ်လီဖပ်စ်` |
| ဆယ်ယူပြီး | **`ဆ-ယ-်ယူပြီး`** | 4.5 | `်ယူပြီး` |

### 6.6 Linguistic Interpretation

> **Automated Insight:**
The language Burmese 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 (5.62x) |
| N-gram | **2-gram** | Lowest perplexity (1,887) |
| Markov | **Context-4** | Highest predictability (99.0%) |
| 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 15:48:31*