README.md

---
language: te
language_name: Telugu
language_family: dravidian_south_central
tags:
  - wikilangs
  - nlp
  - tokenizer
  - embeddings
  - n-gram
  - markov
  - wikipedia
  - feature-extraction
  - sentence-similarity
  - tokenization
  - n-grams
  - markov-chain
  - text-mining
  - fasttext
  - babelvec
  - vocabulous
  - vocabulary
  - monolingual
  - family-dravidian_south_central
license: mit
library_name: wikilangs
pipeline_tag: text-generation
datasets:
  - omarkamali/wikipedia-monthly
dataset_info:
  name: wikipedia-monthly
  description: Monthly snapshots of Wikipedia articles across 300+ languages
metrics:
  - name: best_compression_ratio
    type: compression
    value: 4.775
  - name: best_isotropy
    type: isotropy
    value: 0.6671
  - name: vocabulary_size
    type: vocab
    value: 0
generated: 2026-01-11
---

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

This repository contains NLP models trained and evaluated by Wikilangs, specifically on **Telugu** 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** | 3.469x | 3.47 | 0.1055% | 1,622,305 |
| **16k** | 3.952x | 3.95 | 0.1202% | 1,423,956 |
| **32k** | 4.398x | 4.40 | 0.1338% | 1,279,767 |
| **64k** | 4.775x 🏆 | 4.77 | 0.1453% | 1,178,609 |

### Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

**Sample 1:** `మూలాలు క్రీడలు జననాలు క్రీడలలో పతకం సాధించిన భారతీయ క్రీడాకారులు ప్రజలు పారాలింప...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁మూలాలు ▁క్రీడలు ▁జననాలు ▁క్రీడలలో ▁పతకం ▁సాధించిన ▁భారతీయ ▁క్రీడాకారులు ▁ప్రజలు ▁పార ... (+13 more)` | 23 |
| 16k | `▁మూలాలు ▁క్రీడలు ▁జననాలు ▁క్రీడలలో ▁పతకం ▁సాధించిన ▁భారతీయ ▁క్రీడాకారులు ▁ప్రజలు ▁పారాలిం ... (+6 more)` | 16 |
| 32k | `▁మూలాలు ▁క్రీడలు ▁జననాలు ▁క్రీడలలో ▁పతకం ▁సాధించిన ▁భారతీయ ▁క్రీడాకారులు ▁ప్రజలు ▁పారాలింపిక్ ... (+4 more)` | 14 |
| 64k | `▁మూలాలు ▁క్రీడలు ▁జననాలు ▁క్రీడలలో ▁పతకం ▁సాధించిన ▁భారతీయ ▁క్రీడాకారులు ▁ప్రజలు ▁పారాలింపిక్ ... (+4 more)` | 14 |

**Sample 2:** `మార్పు (సినిమా) మార్పు (చేప) వ్యక్తులు మార్పు పద్మనాభం మార్పు బాలకృష్ణమ్మ`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁మార్పు ▁( సినిమా ) ▁మార్పు ▁( చే ప ) ▁వ్యక్తులు ... (+6 more)` | 16 |
| 16k | `▁మార్పు ▁( సినిమా ) ▁మార్పు ▁( చే ప ) ▁వ్యక్తులు ... (+5 more)` | 15 |
| 32k | `▁మార్పు ▁( సినిమా ) ▁మార్పు ▁( చే ప ) ▁వ్యక్తులు ... (+5 more)` | 15 |
| 64k | `▁మార్పు ▁( సినిమా ) ▁మార్పు ▁( చే ప ) ▁వ్యక్తులు ... (+5 more)` | 15 |

**Sample 3:** `మూడురాళ్ళపల్లి , కర్నూలు జిల్లా, చాగలమర్రి మండలానికి చెందిన రెవెన్యూయేతర గ్రామం ...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁మూడు రా ళ్ళపల్లి ▁, ▁కర్నూలు ▁జిల్లా , ▁చా గ లమ ... (+9 more)` | 19 |
| 16k | `▁మూడు రా ళ్ళపల్లి ▁, ▁కర్నూలు ▁జిల్లా , ▁చా గ లమ ... (+8 more)` | 18 |
| 32k | `▁మూడు రా ళ్ళపల్లి ▁, ▁కర్నూలు ▁జిల్లా , ▁చా గ లమర్రి ... (+7 more)` | 17 |
| 64k | `▁మూడు రా ళ్ళపల్లి ▁, ▁కర్నూలు ▁జిల్లా , ▁చాగలమర్రి ▁మండలానికి ▁చెందిన ... (+5 more)` | 15 |


### Key Findings

- **Best Compression:** 64k achieves 4.775x compression
- **Lowest UNK Rate:** 8k with 0.1055% 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 | 19,502 | 14.25 | 675,660 | 20.3% | 52.0% |
| **2-gram** | Subword | 3,322 🏆 | 11.70 | 209,254 | 30.7% | 65.1% |
| **3-gram** | Word | 11,738 | 13.52 | 790,063 | 21.9% | 60.7% |
| **3-gram** | Subword | 25,473 | 14.64 | 1,178,483 | 13.3% | 35.6% |
| **4-gram** | Word | 16,871 | 14.04 | 1,428,349 | 20.7% | 57.3% |
| **4-gram** | Subword | 106,944 | 16.71 | 5,009,206 | 9.8% | 26.3% |
| **5-gram** | Word | 15,853 | 13.95 | 1,157,281 | 20.0% | 55.7% |
| **5-gram** | Subword | 239,177 | 17.87 | 9,115,479 | 8.2% | 22.9% |

### Top 5 N-grams by Size

**2-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `కి మీ` | 478,760 |
| 2 | `గ్రామం నుండి` | 337,401 |
| 3 | `10 కి` | 329,541 |
| 4 | `నుండి 10` | 327,108 |
| 5 | `దూరంలో ఉన్నాయి` | 237,399 |

**3-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `10 కి మీ` | 329,484 |
| 2 | `నుండి 10 కి` | 326,771 |
| 3 | `గ్రామం నుండి 10` | 190,668 |
| 4 | `గ్రామం నుండి 5` | 146,145 |
| 5 | `కి మీ కి` | 141,248 |

**4-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `నుండి 10 కి మీ` | 326,760 |
| 2 | `గ్రామం నుండి 10 కి` | 190,665 |
| 3 | `కి మీ కి పైబడిన` | 141,121 |
| 4 | `మీ కి పైబడిన దూరంలో` | 141,107 |
| 5 | `10 కి మీ కి` | 141,075 |

**5-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `గ్రామం నుండి 10 కి మీ` | 190,662 |
| 2 | `కి మీ కి పైబడిన దూరంలో` | 141,107 |
| 3 | `నుండి 10 కి మీ కి` | 141,054 |
| 4 | `10 కి మీ కి పైబడిన` | 141,015 |
| 5 | `5 నుండి 10 కి మీ` | 133,237 |

**2-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `. _` | 3,909,366 |
| 2 | `, _` | 3,218,997 |
| 3 | `లో _` | 2,125,432 |
| 4 | `_ అ` | 1,617,103 |
| 5 | `న _` | 1,533,148 |

**3-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ది . _` | 1,106,921 |
| 2 | `_ గ్రా మం` | 780,918 |
| 3 | `నుం డి _` | 731,910 |
| 4 | `_ నుం డి` | 730,423 |
| 5 | `యి . _` | 675,934 |

**4-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `_ నుం డి _` | 724,663 |
| 2 | `న్నా యి . _` | 582,019 |
| 3 | `_ ఉ న్నా యి` | 527,273 |
| 4 | `ఉ న్నా యి .` | 519,930 |
| 5 | `_ దూ రం లో` | 446,016 |

**5-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `_ ఉ న్నా యి .` | 519,572 |
| 2 | `ఉ న్నా యి . _` | 495,248 |
| 3 | `_ దూ రం లో _` | 421,648 |
| 4 | `_ ఉం ది . _` | 419,175 |
| 5 | `_ కి . మీ .` | 415,977 |


### Key Findings

- **Best Perplexity:** 2-gram (subword) with 3,322
- **Entropy Trend:** Decreases with larger n-grams (more predictable)
- **Coverage:** Top-1000 patterns cover ~23% 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 | 0.7070 | 1.632 | 7.34 | 2,121,788 | 29.3% |
| **1** | Subword | 1.0711 | 2.101 | 20.43 | 32,753 | 0.0% |
| **2** | Word | 0.2361 | 1.178 | 1.60 | 15,563,170 | 76.4% |
| **2** | Subword | 0.6772 | 1.599 | 5.18 | 669,210 | 32.3% |
| **3** | Word | 0.0666 | 1.047 | 1.12 | 24,921,258 | 93.3% |
| **3** | Subword | 0.5101 | 1.424 | 3.44 | 3,463,989 | 49.0% |
| **4** | Word | 0.0253 🏆 | 1.018 | 1.05 | 27,957,358 | 97.5% |
| **4** | Subword | 0.4153 | 1.334 | 2.29 | 11,919,153 | 58.5% |

### Generated Text Samples (Word-based)

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

**Context Size 1:**

1. `నుండి 10 గంటలకు పూలతో దండ పండు యొక్క ఫోటో జర్నలిస్ట్ మత రహితం నష్టాలు తగ్గించడానికిఉపయోగిస్తారు రాగి...`
2. `కి పైబడిన దూరంలో ఉంది పోస్ట్ అండ్ టెలిగ్రాఫ్ ఆఫీసు మొబైల్ ఫోన్ మొదలైన సౌకర్యాలు గ్రామంలో కుళాయిల ద్వ...`
3. `ఉన్నాయి ఆటల మైదానం గ్రామం నుండి అతనిని తీసుకున్నారు కళాత్మక అంశాలపై పోటీలతో సంబంధం కలిగి ఉంది సినిమా...`

**Context Size 2:**

1. `కి మీ దూరంలో ఉన్నాయి పోస్ట్ అండ్ టెలిగ్రాఫ్ ఆఫీసు గ్రామం నుండి 5 నుండి 10 కి మీ కి పైబడిన`
2. `గ్రామం నుండి 10 కి మీ లోపు దూరంలో ఉంది సినిమా హాలు గ్రంథాలయం పబ్లిక్ రీడింగ్ రూం గ్రామం నుండి 5`
3. `10 కి మీ లోపు దూరంలో ఉంది సమీప సామాజిక ఆరోగ్య కేంద్రం ప్రాథమిక ఆరోగ్య కేంద్రం గ్రామం నుండి 10 కి`

**Context Size 3:**

1. `10 కి మీ కి పైబడిన దూరంలో ఉన్నాయి గ్రామానికి సమీప ప్రాంతాల నుండి ప్రభుత్వ రవాణా సంస్థ బస్సు సౌకర్యం ...`
2. `నుండి 10 కి మీ దూరంలో ఉంది సమీప సామాజిక ఆరోగ్య కేంద్రం ప్రాథమిక ఆరోగ్య కేంద్రం గ్రామం నుండి 5 నుండి ...`
3. `గ్రామం నుండి 10 కి మీ దూరంలో ఉంది ఏటీఎమ్ గ్రామం నుండి 10 కి మీ కి పైబడిన దూరంలో ఉంది లాండ్`

**Context Size 4:**

1. `నుండి 10 కి మీ దూరంలో ఉంది పోస్టాఫీసు సౌకర్యం పోస్ట్ అండ్ టెలిగ్రాఫ్ ఆఫీసు గ్రామం నుండి 10 కి మీ కి ...`
2. `గ్రామం నుండి 10 కి మీ దూరంలో ఉంది ఆటల మైదానం గ్రామం నుండి 10 కి మీ కి పైబడిన దూరంలో ఉన్నాయి గ్రామాని...`
3. `కి మీ కి పైబడిన దూరంలో ఉన్నాయి వ్యవసాయం కొరకు వాడేందుకు గ్రామంలో ట్రాక్టర్లున్నాయి రైల్వే స్టేషన్ ఉం...`


### Generated Text Samples (Subword-based)

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

**Context Size 1:**

1. `_నపరి_దూరం_యాజింఖాస్మీబీడులో_`
2. `._జరిక_అశోభయం_ఉంటుంబంగా,`
3. `,_నరపయోగంటకంటేశ్వవిద్యాలకులు`

**Context Size 2:**

1. `._కన్నడ_68_-_అనేది_ఉన్న`
2. `,_ప్రారంభ_నియంత్రణ)_అజిత్_(`
3. `లో_ఉన్నారు._సూచికగా_హ్యాండ్స్_మొద`

**Context Size 3:**

1. `ది._ఆయన_బెస్తరపల్లెలో_భూ_విని`
2. `_గ్రామం_నుండి_100_9_హెక్టార్లు_వ్య`
3. `నుండి_తూప్రాన్_నుండి_5_కి.మీ.)1`

**Context Size 4:**

1. `_నుండి_10_కి.మీ._లోపు_దూరంలో_`
2. `న్నాయి._సమీప_వృత్తి_ఎంపిక_చేసినట్లు`
3. `_ఉన్నాయి._పార్టీ_నాయకుడు._ఆయన_`


### Key Findings

- **Best Predictability:** Context-4 (word) with 97.5% predictability
- **Branching Factor:** Decreases with context size (more deterministic)
- **Memory Trade-off:** Larger contexts require more storage (11,919,153 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 | 759,436 |
| Total Tokens | 45,782,544 |
| Mean Frequency | 60.28 |
| Median Frequency | 3 |
| Frequency Std Dev | 2204.64 |

### Most Common Words

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | నుండి | 729,515 |
| 2 | కి | 632,235 |
| 3 | ఉన్నాయి | 527,311 |
| 4 | మీ | 507,039 |
| 5 | ఉంది | 481,793 |
| 6 | గ్రామం | 453,235 |
| 7 | దూరంలో | 422,623 |
| 8 | 10 | 377,154 |
| 9 | ఈ | 325,727 |
| 10 | గ్రామంలో | 317,048 |

### Least Common Words (from vocabulary)

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | డీలిస్టు | 2 |
| 2 | స్థానాలుస్థానాల | 2 |
| 3 | స్వింగ్ప్రజా | 2 |
| 4 | దౌలహ్ | 2 |
| 5 | మహ్మూదా | 2 |
| 6 | జియాుద్దీన్ | 2 |
| 7 | రిపోర్ట్ను | 2 |
| 8 | బబ్రాక్ | 2 |
| 9 | శహీదు | 2 |
| 10 | లియాఖత్‌పూర్ | 2 |

### Zipf's Law Analysis

| Metric | Value |
|--------|-------|
| Zipf Coefficient | 1.0869 |
| R² (Goodness of Fit) | 0.993728 |
| Adherence Quality | **excellent** |

### Coverage Analysis

| Top N Words | Coverage |
|-------------|----------|
| Top 100 | 28.0% |
| Top 1,000 | 57.3% |
| Top 5,000 | 72.8% |
| Top 10,000 | 78.8% |

### Key Findings

- **Zipf Compliance:** R²=0.9937 indicates excellent adherence to Zipf's law
- **High Frequency Dominance:** Top 100 words cover 28.0% of corpus
- **Long Tail:** 749,436 words needed for remaining 21.2% 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 | 0.6671 | 0.3673 | N/A | N/A |
| **mono_64d** | 64 | 0.6424 | 0.3053 | N/A | N/A |
| **mono_128d** | 128 | 0.5869 | 0.2484 | N/A | N/A |
| **aligned_32d** | 32 | 0.6671 🏆 | 0.3615 | 0.0740 | 0.3240 |
| **aligned_64d** | 64 | 0.6424 | 0.3161 | 0.0820 | 0.4140 |
| **aligned_128d** | 128 | 0.5869 | 0.2497 | 0.1740 | 0.5100 |

### Key Findings

- **Best Isotropy:** aligned_32d with 0.6671 (more uniform distribution)
- **Semantic Density:** Average pairwise similarity of 0.3081. Lower values indicate better semantic separation.
- **Alignment Quality:** Aligned models achieve up to 17.4% 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 | **1.434** | 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 |
|--------|----------|
| `-క` | కార్క్, కాన్ఫరెన్సు‌లలో, కృష్ణతో |
| `-మ` | మలయాళమునకు, మనస్సా, మద్దతుదారులను |
| `-స` | సాధించాలనే, స్థిరపడెను, సాగర్వివేక్ |
| `-ప` | పార్టీసోహగ్‌పూర్ఏదీ, పోతవరప్పాడులో, పాలెంబాంగ్‌లో |
| `-అ` | అనంతరమే, అరత్, అల్లవరంలో |
| `-బ` | బిలారా, బిజిలిపూర్లో, బయటినుంచి |
| `-న` | న్యూలాండ్స్‌లో, నిన్నేమడగను, నయీం |
| `-వ` | వేనాడులో, వ్యవస్థీకరించాడు, వూటపల్లి |

#### Productive Suffixes
| Suffix | Examples |
|--------|----------|
| `-న` | ఖజాన, ధారులైన, ఏర్పరచుకొన్న |
| `-ల` | ఇండియాపారాఎస్సీబిలసిబాల, పార్వతీపరమేశ్వరుల, కోఆర్డినేట్‌ల |
| `-త` | ఉపలోకాయుక్త, ఆశిత, శ్రుత |
| `-s` | scabies, indexes, specifications |
| `-య` | బాగెల్భారతీయ, నంద్భారతీయ, చూడాసమాభారతీయ |
| `-ర` | వసార, రామచరిత్ర, కపుగెదెర |
| `-క` | యెదురులంక, నోచుకోలేక, అంబక |
| `-a` | plata, ita, nda |

### 6.3 Bound Stems (Lexical Roots)

Bound stems are high-frequency subword units that are semantically cohesive but rarely appear as standalone words. These often correspond to the 'core' of a word that requires inflection or derivation to be valid.

| Stem | Cohesion | Substitutability | Examples |
|------|----------|------------------|----------|
| `tion` | 3.33x | 56 contexts | action, notion, cation |
| `atio` | 3.45x | 46 contexts | ratio, ratios, cation |
| `ment` | 3.31x | 43 contexts | moment, mentoo, mentor |
| `సనసభ` | 2.85x | 22 contexts | శాసనసభ, శాసనసభల, 3శాసనసభ |

### 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 |
|--------|--------|-----------|----------|
| `-ప` | `-న` | 32 words | పధ్ధతిన, పరిష్కరించిన |
| `-స` | `-న` | 30 words | సంతరించుకొన్న, సమస్యలున్న |
| `-క` | `-ల` | 21 words | కలకత్తాల, కొన్నిరోజుల |
| `-ప` | `-ల` | 21 words | ప్రాజ్ఞుల, పళ్ళేల |
| `-క` | `-న` | 17 words | కాచెన్న, కొట్టివేయబడిన |
| `-వ` | `-న` | 17 words | వెన్నతీసిన, వత్తైన |
| `-న` | `-న` | 16 words | నర్చిన, నిరాశ్రయురాలైన |
| `-అ` | `-న` | 14 words | అంటారీయన, అచలన |
| `-స` | `-ల` | 13 words | సూత్రాల, సుల్తాన్ల |
| `-త` | `-న` | 12 words | తనకొచ్చిన, తక్కిన |

### 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 |
|------|-----------------|------------|------|
| గ్రామదేవత | **`గ్రామదే-వ-త`** | 7.5 | `వ` |
| comebacks | **`comeback-s`** | 4.5 | `comeback` |
| తెల్లవారుఝామున | **`తెల్లవారుఝాము-న`** | 4.5 | `తెల్లవారుఝాము` |
| constructed | **`construct-ed`** | 4.5 | `construct` |
| చుట్టుప్రక్కన | **`చుట్టుప్రక్క-న`** | 4.5 | `చుట్టుప్రక్క` |
| నిర్ధారించిన | **`నిర్ధారించి-న`** | 4.5 | `నిర్ధారించి` |
| ఆమ్లంలోని | **`ఆ-మ-్లంలోని`** | 4.5 | `్లంలోని` |
| పెరుగుదలల | **`పెరుగుదల-ల`** | 4.5 | `పెరుగుదల` |
| కమండలేశ్వర | **`క-మండలేశ్వర`** | 4.5 | `మండలేశ్వర` |
| ఎన్జీఓలలో | **`ఎ-న-్జీఓలలో`** | 4.5 | `్జీఓలలో` |
| బ్రాడ్‌వేలోని | **`బ-్రాడ్‌వేలోని`** | 1.5 | `్రాడ్‌వేలోని` |
| ముండకల్కేరళ | **`మ-ుండకల్కేరళ`** | 1.5 | `ుండకల్కేరళ` |
| నంగియార్కూతును | **`న-ంగియార్కూతును`** | 1.5 | `ంగియార్కూతును` |
| ఎగురుతారు | **`ఎ-గురుతారు`** | 1.5 | `గురుతారు` |
| సహోదరులలో | **`స-హోదరులలో`** | 1.5 | `హోదరులలో` |

### 6.6 Linguistic Interpretation

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

> **Note on Idiomaticity:** The high Idiomaticity Gap suggests a large number of frequent multi-word expressions or formulaic sequences that are statistically distinct from their component parts.

---
## 7. Summary & Recommendations

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

### Production Recommendations

| Component | Recommended | Rationale |
|-----------|-------------|-----------|
| Tokenizer | **64k BPE** | Best compression (4.78x) |
| N-gram | **2-gram** | Lowest perplexity (3,322) |
| Markov | **Context-4** | Highest predictability (97.5%) |
| 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: 2026-01-11 05:46:33*