README.md

---
language: ta
language_name: Tamil
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: 5.417
  - name: best_isotropy
    type: isotropy
    value: 0.7650
  - name: vocabulary_size
    type: vocab
    value: 0
generated: 2026-01-11
---

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

This repository contains NLP models trained and evaluated by Wikilangs, specifically on **Tamil** 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** | 4.022x | 4.02 | 0.1079% | 1,764,820 |
| **16k** | 4.516x | 4.52 | 0.1211% | 1,571,734 |
| **32k** | 4.990x | 4.99 | 0.1339% | 1,422,377 |
| **64k** | 5.417x 🏆 | 5.42 | 0.1453% | 1,310,401 |

### Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

**Sample 1:** `ஆம்பல் மலர் ஆம்பல் (எண்) ஆம்பல் பண் ஆம்பல் குழல் (இசைக்கருவி) ஆம்பல் (மருந்து) ஆ...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁ஆ ம்ப ல் ▁மலர் ▁ஆ ம்ப ல் ▁( எ ண் ... (+32 more)` | 42 |
| 16k | `▁ஆ ம்பல் ▁மலர் ▁ஆ ம்பல் ▁( எண் ) ▁ஆ ம்பல் ... (+25 more)` | 35 |
| 32k | `▁ஆ ம்பல் ▁மலர் ▁ஆ ம்பல் ▁( எண் ) ▁ஆ ம்பல் ... (+20 more)` | 30 |
| 64k | `▁ஆம்பல் ▁மலர் ▁ஆம்பல் ▁( எண் ) ▁ஆம்பல் ▁பண் ▁ஆம்பல் ▁குழல் ... (+14 more)` | 24 |

**Sample 2:** `பனிமலர் களில் இலண்டனில் இருந்து வெளிவந்த சஞ்சிகை. வெளி இணைப்புகள் இராச்சியத் தமி...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁ப னிம லர் ▁களில் ▁இல ண்ட னில் ▁இருந்து ▁வெளிவந்த ▁சஞ்ச ... (+12 more)` | 22 |
| 16k | `▁ப னிம லர் ▁களில் ▁இலண்டனில் ▁இருந்து ▁வெளிவந்த ▁சஞ்ச ிகை . ... (+10 more)` | 20 |
| 32k | `▁பனிம லர் ▁களில் ▁இலண்டனில் ▁இருந்து ▁வெளிவந்த ▁சஞ்சிகை . ▁வெளி ▁இணைப்புகள் ... (+8 more)` | 18 |
| 64k | `▁பனிம லர் ▁களில் ▁இலண்டனில் ▁இருந்து ▁வெளிவந்த ▁சஞ்சிகை . ▁வெளி ▁இணைப்புகள் ... (+7 more)` | 17 |

**Sample 3:** `பன்னாட்டு கனிமவியல் சங்கம் பிரெய்ட்டு கனிமத்தை Byi என்ற குறியீட்டால் அடையாளப்படு...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁பன்னாட்டு ▁கனிமவியல் ▁சங்கம் ▁பிர ெய ்ட ்டு ▁கனிம த்தை ▁by ... (+9 more)` | 19 |
| 16k | `▁பன்னாட்டு ▁கனிமவியல் ▁சங்கம் ▁பிர ெய ்ட்டு ▁கனிமத்தை ▁by i ▁என்ற ... (+7 more)` | 17 |
| 32k | `▁பன்னாட்டு ▁கனிமவியல் ▁சங்கம் ▁பிர ெய ்ட்டு ▁கனிமத்தை ▁by i ▁என்ற ... (+7 more)` | 17 |
| 64k | `▁பன்னாட்டு ▁கனிமவியல் ▁சங்கம் ▁பிர ெய ்ட்டு ▁கனிமத்தை ▁by i ▁என்ற ... (+7 more)` | 17 |


### Key Findings

- **Best Compression:** 64k achieves 5.417x compression
- **Lowest UNK Rate:** 8k with 0.1079% 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 | 160,223 | 17.29 | 767,786 | 8.0% | 19.7% |
| **2-gram** | Subword | 1,621 🏆 | 10.66 | 52,783 | 35.7% | 76.4% |
| **3-gram** | Word | 128,501 | 16.97 | 799,908 | 13.1% | 25.1% |
| **3-gram** | Subword | 14,854 | 13.86 | 541,105 | 12.7% | 39.5% |
| **4-gram** | Word | 196,237 | 17.58 | 1,347,908 | 13.8% | 24.6% |
| **4-gram** | Subword | 85,868 | 16.39 | 2,665,666 | 7.1% | 22.2% |
| **5-gram** | Word | 130,514 | 16.99 | 1,012,494 | 16.1% | 27.7% |
| **5-gram** | Subword | 322,079 | 18.30 | 6,664,422 | 4.6% | 14.8% |

### Top 5 N-grams by Size

**2-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ஆம் ஆண்டு` | 47,770 |
| 2 | `ஆம் ஆண்டில்` | 41,621 |
| 3 | `வெளி இணைப்புகள்` | 39,468 |
| 4 | `மக்கள் தொகை` | 39,284 |
| 5 | `இந்த ஊராட்சி` | 22,728 |

**3-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `மேற்கோள்கள் வெளி இணைப்புகள்` | 22,149 |
| 2 | `மக்கள் தொகை கணக்கெடுப்பின்படி` | 14,279 |
| 3 | `இந்திய மக்கள் தொகை` | 13,102 |
| 4 | `மொத்த மக்கள் தொகை` | 12,740 |
| 5 | `என்னும் ஊரில் அமைந்துள்ள` | 12,107 |

**4-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `இந்திய மக்கள் தொகை கணக்கெடுப்பின்படி` | 12,144 |
| 2 | `என்ற வகைப்பாட்டில் இந்து அறநிலையத்துறையின்` | 12,039 |
| 3 | `வகைப்பாட்டில் இந்து அறநிலையத்துறையின் கட்டுப்பாட்டில்` | 12,033 |
| 4 | `இந்து அறநிலையத்துறையின் கட்டுப்பாட்டில் உள்ளது` | 12,032 |
| 5 | `வேண்டிய தானியக்கக் கோயில் கட்டுரைகள்` | 11,980 |

**5-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `என்ற வகைப்பாட்டில் இந்து அறநிலையத்துறையின் கட்டுப்பாட்டில்` | 12,033 |
| 2 | `வகைப்பாட்டில் இந்து அறநிலையத்துறையின் கட்டுப்பாட்டில் உள்ளது` | 12,030 |
| 3 | `பார்க்க வேண்டிய தானியக்கக் கோயில் கட்டுரைகள்` | 11,980 |
| 4 | `கோயில்கள் பார்க்க வேண்டிய தானியக்கக் கோயில்` | 11,958 |
| 5 | `தமிழ்நாடு ஊரக வளர்ச்சி மற்றும் ஊராட்சித்` | 11,561 |

**2-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ம் _` | 3,350,940 |
| 2 | `ல் _` | 2,966,846 |
| 3 | `. _` | 2,929,925 |
| 4 | `_ இ` | 2,879,137 |
| 5 | `_ அ` | 2,396,177 |

**3-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `க ள் _` | 1,686,655 |
| 2 | `து . _` | 808,991 |
| 3 | `ர் . _` | 719,234 |
| 4 | `. _ இ` | 645,218 |
| 5 | `_ எ ன்` | 503,878 |

**4-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ற் று ம் _` | 384,687 |
| 2 | `ம ற் று ம்` | 379,487 |
| 3 | `_ ம ற் று` | 379,228 |
| 4 | `த் தி ல் _` | 363,096 |
| 5 | `ப் ப ட் ட` | 307,676 |

**5-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ம ற் று ம் _` | 378,459 |
| 2 | `_ ம ற் று ம்` | 378,433 |
| 3 | `கி ற து . _` | 227,858 |
| 4 | `க் க ப் ப ட்` | 202,756 |
| 5 | `ள் ள து . _` | 202,008 |


### Key Findings

- **Best Perplexity:** 2-gram (subword) with 1,621
- **Entropy Trend:** Decreases with larger n-grams (more predictable)
- **Coverage:** Top-1000 patterns cover ~15% 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 | 0.7986 | 1.739 | 8.06 | 2,294,781 | 20.1% |
| **1** | Subword | 1.0664 | 2.094 | 10.59 | 12,983 | 0.0% |
| **2** | Word | 0.2369 | 1.178 | 1.59 | 18,488,718 | 76.3% |
| **2** | Subword | 1.0118 | 2.016 | 8.82 | 137,408 | 0.0% |
| **3** | Word | 0.0624 | 1.044 | 1.11 | 29,367,238 | 93.8% |
| **3** | Subword | 0.7202 | 1.647 | 4.29 | 1,211,486 | 28.0% |
| **4** | Word | 0.0215 🏆 | 1.015 | 1.03 | 32,491,612 | 97.9% |
| **4** | Subword | 0.5744 | 1.489 | 2.93 | 5,196,654 | 42.6% |

### Generated Text Samples (Word-based)

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

**Context Size 1:**

1. `மற்றும் கே ஜெயவெங்கடேஷ் அ லா போலாவும் இவற்றுள் எயிட்டிய கிரெயோல் மொழிகள் இம்மாவட்டத்தில் 7 ஊராட்சி ம...`
2. `ஒரு படுக்கைக்கோடு குறிக்கப்பட்டிருக்குமாயின் அது கற்கள் பற்றி கூறுகிறாள் புலவர்கள் வாழ்ந்து வந்ததைத்...`
3. `இந்த ஊராட்சி ஒன்றியங்கள் வாரியான தேர்தல் முடிவுகள் மேற்கோள்கள் வெளி இணைப்புகள் ஆத்திசாரியின் இணையத்த...`

**Context Size 2:**

1. `ஆம் ஆண்டு மார்ச்சு மாதம் 15 ஆம் நூற்றாண்டு ஷரீஃப் குஞ்சாஹி 20 ஆம் நாள் ஏற்பட்ட நிலநடுக்கத்தின் அளவு ...`
2. `ஆம் ஆண்டில் வெளியான பணம் தரும் படம் மழவில் மனோரமா என்ற தனது சிறுகோள் நோக்கிய விண்கலத்தை ஏவியது 15 ஆண...`
3. `மக்கள் தொகை ஆகும் இவர்களில் பெண்கள் 768 பேரும் உள்ளனர் அடிப்படை வசதிகள் தமிழ்நாடு ஊரக வளர்ச்சி மற்று...`

**Context Size 3:**

1. `மேற்கோள்கள் வெளி இணைப்புகள் பி டி எஸ் பாலையா தமிழ்த் திரைப்பட நடிகர் அ செ இப்ராகிம் இராவுத்தர் a s i...`
2. `மக்கள் தொகை கணக்கெடுப்பின்படி மொத்த மக்கள் தொகை ஆகும் இவர்களில் பெண்கள் பேரும் ஆண்கள் பேரும் உள்ளனர்...`
3. `இந்திய மக்கள் தொகை கணக்கெடுப்பின்படி மொத்த மக்கள் தொகை ஆகும் இவர்களில் பெண்கள் பேரும் ஆண்கள் பேரும் ...`

**Context Size 4:**

1. `இந்திய மக்கள் தொகை கணக்கெடுப்பின்படி மொத்த மக்கள் தொகை ஆகும் இவர்களில் பெண்கள் பேரும் ஆண்கள் பேரும் ...`
2. `என்ற வகைப்பாட்டில் இந்து அறநிலையத்துறையின் கட்டுப்பாட்டில் உள்ளது பரம்பரை அல்லாத அறங்காவலர் அமைப்பால...`
3. `வகைப்பாட்டில் இந்து அறநிலையத்துறையின் கட்டுப்பாட்டில் உள்ளது பரம்பரை அல்லாத அறங்காவலர் அமைப்பால் நிர...`


### Generated Text Samples (Subword-based)

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

**Context Size 1:**

1. `_ஆசியில்_செயம்_(ale;_`
2. `கள்,_பணிக்கலைக_முதபூசை_`
3. `ம்_io_/நிலை_இடர்தேக்_வெ`

**Context Size 2:**

1. `ம்_துலகத்_தேசியம்_தலைட்டுள்`
2. `ல்_உட்பட்டதாகுர்னூல்_அளவு_`
3. `._ஊராட்சியில்_இடைப்படுகின்ற`

**Context Size 3:**

1. `கள்_நடராசர்_பகுதியின்_வழங்`
2. `து._காஷ்மீர்_(2_கோடி_புரொடக்`
3. `ர்._மேற்கோள்கள்_சிறிய_சமூக_`

**Context Size 4:**

1. `ற்றும்_பேரப்_பிரதேச_காங்கிரஸ்_`
2. `மற்றும்_வேகமாக_நிரூபிக்கப்படுகி`
3. `_மற்றும்_முகமாக_அக்கறை_இருப`


### Key Findings

- **Best Predictability:** Context-4 (word) with 97.9% predictability
- **Branching Factor:** Decreases with context size (more deterministic)
- **Memory Trade-off:** Larger contexts require more storage (5,196,654 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 | 886,355 |
| Total Tokens | 37,233,341 |
| Mean Frequency | 42.01 |
| Median Frequency | 4 |
| Frequency Std Dev | 919.55 |

### Most Common Words

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | மற்றும் | 378,953 |
| 2 | ஒரு | 276,505 |
| 3 | இந்த | 175,521 |
| 4 | இது | 140,099 |
| 5 | ஆம் | 133,615 |
| 6 | இவர் | 129,697 |
| 7 | என்ற | 120,868 |
| 8 | உள்ள | 120,718 |
| 9 | மேற்கோள்கள் | 115,547 |
| 10 | அல்லது | 112,080 |

### Least Common Words (from vocabulary)

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | மெக்தவால் | 2 |
| 2 | நியோரி | 2 |
| 3 | நும்பார் | 2 |
| 4 | மாபோரென்சிசு | 2 |
| 5 | கலிந்திரி | 2 |
| 6 | kotiratnam | 2 |
| 7 | விக்கிரயம் | 2 |
| 8 | துங்கலா | 2 |
| 9 | எமெய்சான் | 2 |
| 10 | தோற்றிடமாகக் | 2 |

### Zipf's Law Analysis

| Metric | Value |
|--------|-------|
| Zipf Coefficient | 0.9553 |
| R² (Goodness of Fit) | 0.991031 |
| Adherence Quality | **excellent** |

### Coverage Analysis

| Top N Words | Coverage |
|-------------|----------|
| Top 100 | 16.3% |
| Top 1,000 | 40.2% |
| Top 5,000 | 59.5% |
| Top 10,000 | 67.6% |

### Key Findings

- **Zipf Compliance:** R²=0.9910 indicates excellent adherence to Zipf's law
- **High Frequency Dominance:** Top 100 words cover 16.3% of corpus
- **Long Tail:** 876,355 words needed for remaining 32.4% 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 | 0.7650 | 0.3716 | N/A | N/A |
| **mono_64d** | 64 | 0.6971 | 0.3089 | N/A | N/A |
| **mono_128d** | 128 | 0.5492 | 0.2523 | N/A | N/A |
| **aligned_32d** | 32 | 0.7650 🏆 | 0.3698 | 0.1660 | 0.5000 |
| **aligned_64d** | 64 | 0.6971 | 0.3113 | 0.2400 | 0.6200 |
| **aligned_128d** | 128 | 0.5492 | 0.2502 | 0.3560 | 0.7440 |

### Key Findings

- **Best Isotropy:** aligned_32d with 0.7650 (more uniform distribution)
- **Semantic Density:** Average pairwise similarity of 0.3107. Lower values indicate better semantic separation.
- **Alignment Quality:** Aligned models achieve up to 35.6% 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 | **0.868** | 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 |
|--------|----------|
| `-க` | கரும்புவில், கையானது, கைச்சாத்து |
| `-ப` | பிளெய்ன், பன்னணி, போறோம் |
| `-ச` | சிலிகுரி, செல்லப்பட்டதால், சைமின்கள் |
| `-ம` | முரசுமுதல், மாறானவை, மாமிடி |
| `-த` | தொடங்குபவருக்கு, துரிதப்படுத்தலாம், தலைவரானதும் |
| `-அ` | அவத்த, அவசியத்திற்காக, அன்னையர்களை |
| `-வ` | விரும்புவதாகும், வீடுபேற்றைத், வல்லார்டா |
| `-ந` | நல்காமல், நனைக்கப், நடித்ததற்காகச் |

#### Productive Suffixes
| Suffix | Examples |
|--------|----------|
| `-க` | அவசியத்திற்காக, புரவலர்களாக, குடக |
| `-ன` | செவ்வகமான, மூடிவிட்டன, பெயர்க்கப்பட்டிருந்தன |
| `-s` | dschingis, brahmos, scatters |
| `-ய` | சின்னலெப்பைஐக்கிய, வித்ய, சாமான்ய |
| `-a` | buana, kavya, paditha |
| `-e` | candace, fringe, progressive |
| `-n` | இடம்asian, hilman, thanenthiran |
| `-த` | ஒனுஒத, அவத்த, திருக்கணித |

### 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 |
|------|----------|------------------|----------|
| `nter` | 3.17x | 71 contexts | inter, enter, unter |
| `stor` | 3.22x | 65 contexts | jstor, stork, storm |
| `atio` | 3.16x | 66 contexts | ratio, tatio, ration |
| `iver` | 2.98x | 56 contexts | liver, siver, river |
| `onal` | 2.95x | 19 contexts | tonal, sonal, donal |

### 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 |
|--------|--------|-----------|----------|
| `-ப` | `-க` | 46 words | பிரத்தியேகமாக, பெரியனவுமாக |
| `-க` | `-க` | 35 words | குறிப்பாக, கருத்துக்கோளாக |
| `-வ` | `-க` | 32 words | விரிவாக்கமாக, வலக்கரமாக |
| `-ப` | `-ன` | 31 words | பாராட்டுகின்றன, பார்த்தலுக்கான |
| `-வ` | `-ன` | 29 words | வழிகாட்டுகின்றன, வேறுபாட்டுடனான |
| `-ச` | `-க` | 28 words | சேர்ப்பதற்காக, சங்கிலித்தொடராக |
| `-த` | `-க` | 28 words | தோற்றுப்போக, தற்காப்பதற்காக |
| `-ம` | `-க` | 27 words | முடியாததுமாக, மறுபுறமாக |
| `-க` | `-ன` | 26 words | குழந்தைக்குமான, கிண்டலான |
| `-அ` | `-க` | 21 words | அனுப்பப்பட்டவர்களாக, அறிகுறியற்றதாக |

### 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 |
|------|-----------------|------------|------|
| பகுளிகளின் | **`ப-க-ுளிகளின்`** | 4.5 | `ுளிகளின்` |
| உலகநாடுகளுடன் | **`உ-ல-கநாடுகளுடன்`** | 4.5 | `கநாடுகளுடன்` |
| சலுகைகளில் | **`ச-ல-ுகைகளில்`** | 4.5 | `ுகைகளில்` |
| ஆக்வாமேன் | **`ஆ-க-்வாமேன்`** | 4.5 | `்வாமேன்` |
| instrumentum | **`instrument-um`** | 4.5 | `instrument` |
| griechische | **`griechisch-e`** | 4.5 | `griechisch` |
| பிரிட்டனிய | **`பிரிட்டனி-ய`** | 4.5 | `பிரிட்டனி` |
| பதிவிகளிலும் | **`ப-த-ிவிகளிலும்`** | 4.5 | `ிவிகளிலும்` |
| freshwaters | **`freshwater-s`** | 4.5 | `freshwater` |
| கடைக்காரரான | **`கட-ைக்காரரா-ன`** | 3.0 | `ைக்காரரா` |
| இப்பண்பாட்டிற்கு | **`இ-ப-்பண்பாட்டிற்கு`** | 3.0 | `்பண்பாட்டிற்கு` |
| எச்சரித்தான் | **`எ-ச-்சரித்தான்`** | 3.0 | `்சரித்தான்` |
| பவுண்டுகளுக்கும் | **`ப-வ-ுண்டுகளுக்கும்`** | 3.0 | `ுண்டுகளுக்கும்` |
| பொண்ணுக்கு | **`ப-ொண்ணுக்கு`** | 1.5 | `ொண்ணுக்கு` |
| தரவரிசையில் | **`த-ரவரிசையில்`** | 1.5 | `ரவரிசையில்` |

### 6.6 Linguistic Interpretation

> **Automated Insight:**
The language Tamil 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 (5.42x) |
| N-gram | **2-gram** | Lowest perplexity (1,621) |
| Markov | **Context-4** | Highest predictability (97.9%) |
| 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 06:06:46*