README.md

---
language: th
language_name: Thai
language_family: taikadai_southwestern
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-taikadai_southwestern
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: 4.749
  - name: best_isotropy
    type: isotropy
    value: 0.8475
  - name: vocabulary_size
    type: vocab
    value: 0
generated: 2026-01-17
---

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

This repository contains NLP models trained and evaluated by Wikilangs, specifically on **Thai** 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** | 3.339x | 3.36 | 0.1132% | 2,229,178 |
| **16k** | 3.862x | 3.88 | 0.1309% | 1,927,473 |
| **32k** | 4.323x | 4.35 | 0.1466% | 1,722,046 |
| **64k** | 4.749x 🏆 | 4.78 | 0.1610% | 1,567,500 |

### Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

**Sample 1:** `ไลฟ์การ์ดแห่งหาดบอนได เป็นสารคดีจากออสเตรเลียนำเสนอการทำงานตลอด 24 ชั่วโมงของไลฟ...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁ไล ฟ์ การ์ ด แห่ง หาด บอน ได ▁เป็น สาร ... (+24 more)` | 34 |
| 16k | `▁ไล ฟ์ การ์ด แห่ง หาด บอน ได ▁เป็นสาร คดี จาก ... (+19 more)` | 29 |
| 32k | `▁ไลฟ์ การ์ด แห่ง หาด บอน ได ▁เป็นสาร คดี จาก ออสเตร ... (+18 more)` | 28 |
| 64k | `▁ไลฟ์ การ์ด แห่ง หาด บอน ได ▁เป็นสาร คดี จาก ออสเตรเลียน ... (+17 more)` | 27 |

**Sample 2:** `32 อาจหมายถึง: 32 (ตัวเลข) 32 ก่อนคริสตศักราช, 32, และอื่นๆ 32 (เพลง) ,เพลงในปี ...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁ 3 2 ▁อาจหมายถึง : ▁ 3 2 ▁( ตัว ... (+28 more)` | 38 |
| 16k | `▁ 3 2 ▁อาจหมายถึง : ▁ 3 2 ▁( ตัวเลข ... (+27 more)` | 37 |
| 32k | `▁ 3 2 ▁อาจหมายถึง : ▁ 3 2 ▁( ตัวเลข ... (+25 more)` | 35 |
| 64k | `▁ 3 2 ▁อาจหมายถึง : ▁ 3 2 ▁( ตัวเลข ... (+24 more)` | 34 |

**Sample 3:** `Molopanthera เป็นสกุลของพืชดอกที่อยู่ในวงศ์ Rubiaceae. ถิ่นกำเนิดของมันคือ บราซิ...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁m ol op anth era ▁เป็นสกุลของ พืชดอก ที่อยู่ในวงศ์ ▁r ub ... (+24 more)` | 34 |
| 16k | `▁mol op anthera ▁เป็นสกุลของ พืชดอก ที่อยู่ในวงศ์ ▁rub iaceae . ▁ถิ่นกําเนิด ... (+17 more)` | 27 |
| 32k | `▁mol op anthera ▁เป็นสกุลของ พืชดอก ที่อยู่ในวงศ์ ▁rubiaceae . ▁ถิ่นกําเนิด ของมันคือ ... (+14 more)` | 24 |
| 64k | `▁mol op anthera ▁เป็นสกุลของ พืชดอก ที่อยู่ในวงศ์ ▁rubiaceae . ▁ถิ่นกําเนิด ของมันคือ ... (+14 more)` | 24 |


### Key Findings

- **Best Compression:** 64k achieves 4.749x compression
- **Lowest UNK Rate:** 8k with 0.1132% 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 | 56,310 | 15.78 | 475,306 | 16.2% | 28.1% |
| **2-gram** | Subword | 2,438 🏆 | 11.25 | 124,885 | 27.9% | 71.1% |
| **3-gram** | Word | 160,871 | 17.30 | 713,993 | 10.6% | 19.4% |
| **3-gram** | Subword | 27,338 | 14.74 | 1,000,290 | 10.1% | 31.1% |
| **4-gram** | Word | 529,813 | 19.02 | 1,376,813 | 3.4% | 10.2% |
| **4-gram** | Subword | 174,441 | 17.41 | 4,905,540 | 5.4% | 17.4% |
| **5-gram** | Word | 577,241 | 19.14 | 1,093,587 | 2.6% | 7.1% |
| **5-gram** | Subword | 676,357 | 19.37 | 11,885,834 | 3.2% | 11.3% |

### Top 5 N-grams by Size

**2-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `พ ศ` | 586,670 |
| 2 | `ค ศ` | 304,560 |
| 3 | `อ้างอิง แหล่งข้อมูลอื่น` | 46,447 |
| 4 | `of the` | 42,755 |
| 5 | `ศ พ` | 32,101 |

**3-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ศ พ ศ` | 31,957 |
| 2 | `พ ศ พ` | 27,195 |
| 3 | `ศ ค ศ` | 25,879 |
| 4 | `ธันวาคม พ ศ` | 21,330 |
| 5 | `ตุลาคม พ ศ` | 21,250 |

**4-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `พ ศ พ ศ` | 27,071 |
| 2 | `พ ศ ค ศ` | 20,164 |
| 3 | `0 0 0 0` | 7,943 |
| 4 | `ค ศ ค ศ` | 4,813 |
| 5 | `อ้างอิง แหล่งข้อมูลอื่น พ ศ` | 4,336 |

**5-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ศ พ ศ พ ศ` | 4,329 |
| 2 | `พ ศ พ ศ พ` | 4,251 |
| 3 | `ศ พ ศ ค ศ` | 3,779 |
| 4 | `พ ศ พ ศ ค` | 3,510 |
| 5 | `0 0 0 0 0` | 3,345 |

**2-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `อ ง` | 3,386,500 |
| 2 | `า ร` | 3,061,397 |
| 3 | `ก า` | 2,892,062 |
| 4 | `ร ะ` | 2,734,121 |
| 5 | `น _` | 2,476,484 |

**3-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ก า ร` | 2,154,969 |
| 2 | `เ ป็ น` | 1,461,135 |
| 3 | `แ ล ะ` | 1,456,554 |
| 4 | `ข อ ง` | 1,220,921 |
| 5 | `ป ร ะ` | 1,178,596 |

**4-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `. ศ . _` | 887,086 |
| 2 | `_ แ ล ะ` | 845,421 |
| 3 | `พ . ศ .` | 598,362 |
| 4 | `_ พ . ศ` | 554,703 |
| 5 | `ค ว า ม` | 480,722 |

**5-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `พ . ศ . _` | 572,671 |
| 2 | `_ พ . ศ .` | 553,928 |
| 3 | `ค . ศ . _` | 311,390 |
| 4 | `_ ค . ศ .` | 268,747 |
| 5 | `ป ร ะ เ ท` | 260,009 |


### Key Findings

- **Best Perplexity:** 2-gram (subword) with 2,438
- **Entropy Trend:** Decreases with larger n-grams (more predictable)
- **Coverage:** Top-1000 patterns cover ~11% 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 | 0.2321 | 1.175 | 2.38 | 8,268,387 | 76.8% |
| **1** | Subword | 0.8922 | 1.856 | 12.22 | 37,876 | 10.8% |
| **2** | Word | 0.1165 | 1.084 | 1.32 | 19,576,764 | 88.4% |
| **2** | Subword | 0.6125 | 1.529 | 5.30 | 462,626 | 38.7% |
| **3** | Word | 0.0518 | 1.037 | 1.11 | 25,779,145 | 94.8% |
| **3** | Subword | 0.5564 | 1.471 | 3.91 | 2,452,254 | 44.4% |
| **4** | Word | 0.0248 🏆 | 1.017 | 1.05 | 28,430,641 | 97.5% |
| **4** | Subword | 0.4718 | 1.387 | 2.77 | 9,576,634 | 52.8% |

### Generated Text Samples (Word-based)

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

**Context Size 1:**

1. `ศ 829 575b 220 นั้นมีการใช้กระสุนที่จำกัด จึงผลิตปืนรุ่นนี้ออกมา และยังมีรุ่นย่อยคือ พี วีส์บิกแอดเว...`
2. `พ ศ 12 12 34 1 พฤศจิกายน เมื่อวันที่ 16 ทีมสุดท้าย 8 เป็นต้นไป ค ศ เขายังได้ปีนข่านเทนกรี ในปี`
3. `1 จัดเป็นสี่กลุ่ม กลุ่มละ 4 9 ศรีราชา อำเภอศรีราชา จังหวัดชลบุรี ในครอบครัวที่มีพี่น้อง 5 พฤษภาคม สิ...`

**Context Size 2:**

1. `พ ศ ได้รับอนุมัติจากมหาเถรสมาคมให้ปรับปรุงสภาพวัดให้ดีขึ้น ปี พ ศ ค ศ พระเจ้าอิชต์วานที่ 1 ประเทศฮัง...`
2. `ค ศ ปัจจุบัน ละครชุด ปีเรื่องบทร่วมกับออกอากาศอ้างอิงพ ศ ความทรงจำที่ไม่อาจลืม ตอน บันทึกท่องเที่ยวท...`
3. `of the usaf retrieved 20 october เจ้าชายโทโมฮิโตะแห่งมิกาซะสิ้นพระชนม์เมื่อวันที่ 6 มิถุนายน พ ศ อ้า...`

**Context Size 3:**

1. `พ ศ พ ศ และครั้งที่สอง ประมาณ พ ศ 31 สิงหาคม พ ศ วิทยาลัยโทรคมนาคมนนทบุรี รับนักศึกษาจาก การสอบคัดเล...`
2. `ศ พ ศ ค ศ พระเจ้าแฟร์ดีนันท์ที่ 4 แห่งชาวโรมัน 8 กันยายน ค ศ เป็นที่รู้จักในชื่อ ไป๋ ลู่ เป็นนักแสดง...`
3. `ศ ค ศ พระองค์เจ้าสุวพักตร์วิไลยพรรณ ประสูติ 2 พฤษภาคม พ ศ พ ศ ไอ จี คอมมิวนิเคชัน`

**Context Size 4:**

1. `พ ศ พ ศ เป็นปราชญ์และนักคิดอิสระที่ได้รับการกล่าวถึงอย่างกว้างขวาง เมื่อยังเป็นเด็กหนุ่ม ทางสมาคมเทว...`
2. `พ ศ ค ศ ดีแลน มินเน็ตต์ นักแสดงและนักดนตรีชาวอเมริกัน ปรินซ์ แอมพอนซา นักฟุตบอลชาวกานา ซานะ มินาโตซา...`
3. `0 0 0 0 ไมได้เข้าร่วมแข่งขัน 4 0 0 0 0 4 21 17 4 26 4 ระนอง 16 6`


### Generated Text Samples (Subword-based)

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

**Context Size 1:**

1. `_คยงข_ในที่เป็นกอว่า`
2. `ารตียนผิดละคาระบโด`
3. `นาณฑลาระปยีปดารรน`

**Context Size 2:**

1. `องครั้งที่รู้จักระชนิดนึงนิ`
2. `ารไปส.ธ.90.0_ของเ`
3. `การสช.อีกครั้งมีว่า_เป`

**Context Size 3:**

1. `การใด_ๆ_broad_mete`
2. `เป็นการใช้อย่างต่างจาก`
3. `และครั้งแรมชาติขึ้นบก_แ`

**Context Size 4:**

1. `.ศ._สหราชอาณาเขตจตุจั`
2. `_และไม่สามารถป้องกันแล`
3. `พ.ศ._76_<small>(ไทย`


### 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 (9,576,634 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 | 1,276,542 |
| Total Tokens | 26,332,909 |
| Mean Frequency | 20.63 |
| Median Frequency | 3 |
| Frequency Std Dev | 1261.31 |

### Most Common Words

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | ศ | 920,143 |
| 2 | พ | 595,465 |
| 3 | 1 | 351,475 |
| 4 | ค | 314,624 |
| 5 | 2 | 306,676 |
| 6 | 3 | 247,910 |
| 7 | the | 217,279 |
| 8 | 4 | 172,069 |
| 9 | ๆ | 171,685 |
| 10 | of | 169,227 |

### Least Common Words (from vocabulary)

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | เบอร์ลินฟาร์มาซูติคอลอินดัสตรี้ | 2 |
| 2 | มีเลขซีเทนขั้นต่ำที่ | 2 |
| 3 | น้ำมันดีเซลหมุนเวียน | 2 |
| 4 | neste | 2 |
| 5 | เฮกซาดีเคน | 2 |
| 6 | เฮปตาเมทิลโนเนน | 2 |
| 7 | เครื่องทดสอบคุณภาพการจุดระเบิด | 2 |
| 8 | เครื่องมือนี้ใช้วิธีเรียบง่ายกว่าและแข็งแกร่งกว่าในการวัดเลขซีเทนเมื่อเทียบกับ | 2 |
| 9 | บ้านเก้าเลี้ยว | 2 |
| 10 | ชุมชนบ้านเก้าเลี้ยว | 2 |

### Zipf's Law Analysis

| Metric | Value |
|--------|-------|
| Zipf Coefficient | 0.9360 |
| R² (Goodness of Fit) | 0.999043 |
| Adherence Quality | **excellent** |

### Coverage Analysis

| Top N Words | Coverage |
|-------------|----------|
| Top 100 | 29.7% |
| Top 1,000 | 45.1% |
| Top 5,000 | 57.6% |
| Top 10,000 | 63.4% |

### Key Findings

- **Zipf Compliance:** R²=0.9990 indicates excellent adherence to Zipf's law
- **High Frequency Dominance:** Top 100 words cover 29.7% of corpus
- **Long Tail:** 1,266,542 words needed for remaining 36.6% 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 | 0.8475 | 0.3288 | N/A | N/A |
| **mono_64d** | 64 | 0.8400 | 0.2631 | N/A | N/A |
| **mono_128d** | 128 | 0.8225 | 0.1868 | N/A | N/A |
| **aligned_32d** | 32 | 0.8475 🏆 | 0.3296 | 0.2180 | 0.6440 |
| **aligned_64d** | 64 | 0.8400 | 0.2600 | 0.4200 | 0.7840 |
| **aligned_128d** | 128 | 0.8225 | 0.1907 | 0.4680 | 0.8680 |

### Key Findings

- **Best Isotropy:** aligned_32d with 0.8475 (more uniform distribution)
- **Semantic Density:** Average pairwise similarity of 0.2598. Lower values indicate better semantic separation.
- **Alignment Quality:** Aligned models achieve up to 46.8% R@1 in cross-lingual retrieval.
- **Recommendation:** 128d aligned for best cross-lingual performance

---
## 6.  Morphological Analysis (Experimental)

This section presents an automated morphological analysis derived from the statistical divergence between word-level and subword-level models. By analyzing where subword predictability spikes and where word-level coverage fails, we can infer linguistic structures without supervised data.

### 6.1 Productivity & Complexity

| Metric | Value | Interpretation | Recommendation |
|--------|-------|----------------|----------------|
| Productivity Index | **5.000** | High morphological productivity | Reliable analysis |
| Idiomaticity Gap | **-0.367** | 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 |
|--------|----------|
| `-และ` | และได้รับแต่งตั้งเป็นรัฐมนตรีที่ไม่ประจำกระทรวง, และพาทีมเข้าชิงชนะเลิศ, และคริสต์ศาสนา |
| `-เ` | เจ้าเมืองนครเขื่อนขันธ์คนที่, เฉิงเตี๋ยอี, เวลวิชเซีย |
| `-โ` | โรงเรียนพระปฐมวิทยาลัย, โรงเรียนเวียงกาหลงวิทยา, โอมมอก |
| `-แ` | แม่เม็ง, และได้รับแต่งตั้งเป็นรัฐมนตรีที่ไม่ประจำกระทรวง, และพาทีมเข้าชิงชนะเลิศ |
| `-อ` | อควาครอส, อำเภอทุ่งยางแดง, อุดมศิลป์ |
| `-ส` | สมเด็จพระสันตะปาปาธีโอดอร์ที่, สถิรวํโส, สาขาวิชาศิลปกรรม |
| `-ก` | การลอบฆ่า, กาญจนพัฒน์, การประมูลคลื่น |
| `-ค` | คิคาวาดะ, คิดประเสริฐ, ครอบคลุมพื้นที่ตำบลสงยางทั้งตำบล |

#### Productive Suffixes
| Suffix | Examples |
|--------|----------|
| `-น` | ที่โด่งดังเช่น, ตั้งอยู่บนเชิงเทิน, นักเรียนห้องกิฟต์รุ่น |
| `-ง` | แม่เม็ง, และได้รับแต่งตั้งเป็นรัฐมนตรีที่ไม่ประจำกระทรวง, อำเภอทุ่งยางแดง |
| `-า` | การลอบฆ่า, โรงเรียนเวียงกาหลงวิทยา, อดีตนายกรัฐมนตรีแคนาดา |
| `-ย` | นำชัย, โรงเรียนพระปฐมวิทยาลัย, ชีวิตช่วงปลาย |
| `-ก` | ล้อมรอบด้วยกนกเปลวเพลิงด้านบนมีรัศมีประกอบแปดแฉก, โอมมอก, เนื่องในโอกาสพระราชพิธีกาญจนาภิเษก |
| `-ม` | หิมาลัยยิม, มอบโดยกระทรวงวัฒนธรรม, สาขาวิชาศิลปกรรม |
| `-อง` | และในคืนนั้นเอง, กาเอต็อง, นักแสดงจากเรื่อง |
| `-ร` | หงษ์ขจร, จะพูดถึงความรู้สึกเชื่อใจได้อย่างไร, และนายทหาร |

### 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 |
|------|----------|------------------|----------|
| `การแ` | 2.17x | 65 contexts | การแลก, การแปล, การแตก |
| `ของเ` | 1.49x | 196 contexts | ของเล, ของเจ, ของเอ |
| `พระร` | 2.07x | 33 contexts | พระรถ, พระราม, พระราช |
| `การเ` | 1.55x | 93 contexts | การเย, การเดท, การเอา |
| `ศาสต` | 1.82x | 46 contexts | ศาสตา, ศาสตรา, ศาสตร์ |
| `าการ` | 1.45x | 100 contexts | อาการ, บาการี, คาการิ |
| `นการ` | 1.48x | 86 contexts | ธนการ, ในการ, แผนการ |
| `ประก` | 1.46x | 84 contexts | ประกบ, ประการ, ประกิจ |
| `โรงเ` | 2.92x | 8 contexts | โรงเจ, โรงเข้, โรงเรีย |
| `ประเ` | 1.42x | 83 contexts | ประเถท, ประเภท, ประเทศ |
| `งจาก` | 1.44x | 72 contexts | บางจาก, อิงจาก, ทางจาก |
| `ระเท` | 1.66x | 38 contexts | กระเทย, กระเทศ, พระเทพ |

### 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 |
|--------|--------|-----------|----------|
| `-เ` | `-น` | 101 words | เพื่อเป็นการรักษากำลังและไพร่พลทหารของตนเองไว้สำหรับการศึกอื่น, เหยาจื่อจิน |
| `-เ` | `-ง` | 84 words | เธอได้ออกเพลง, เจิ้นเสียง |
| `-เ` | `-า` | 80 words | เข็มข้าหลวงเดิมราชกิจจานุเบกษา, เจ้าหญิงโรมานอฟสกายา |
| `-เ` | `-ย` | 53 words | เป็นภาษาไทยอีกด้วย, เพลงดาบแม่น้ำร้อยสาย |
| `-และ` | `-น` | 52 words | และตำบลบ้านแหวน, และเปลี่ยนชื่อไปเป็น |
| `-โ` | `-ง` | 50 words | โดยใช้เครื่องบินโบอิง, โรงเรียนตะโกดอนหญ้านาง |
| `-โ` | `-น` | 45 words | โคเฮ็น, โฟกส์วาเกน |
| `-ก` | `-น` | 44 words | กุลธน, การแบ่งชนชั้น |
| `-โ` | `-า` | 42 words | โรงเรียนศรีสมบูรณ์วิทยา, โดยมีวัตถุประสงค์เพื่อเป็นสถาบันการศึกษา |
| `-แ` | `-น` | 41 words | และตำบลบ้านแหวน, แม่ฮ่องสอน |

### 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 |
|------|-----------------|------------|------|
| การทำคะแนน | **`การทำคะแ-น-น`** | 7.5 | `น` |
| เจ้าจอมสุวัทนา | **`เจ้าจอมสุวัท-น-า`** | 7.5 | `น` |
| หัวอกชาวนา | **`หัวอกชาว-น-า`** | 7.5 | `น` |
| อิริยาปถบรรพ | **`อิริยาปถบร-ร-พ`** | 7.5 | `ร` |
| ตำบลพลวงสองนาง | **`ตำบลพลวงสอง-น-าง`** | 7.5 | `น` |
| เส้นทางทรนง | **`เส้นทางทร-น-ง`** | 7.5 | `น` |
| อเล็กซานดรอฟนา | **`อเล็กซานดรอฟ-น-า`** | 7.5 | `น` |
| คาจิโดกิอาร์มส | **`คาจิโดกิอาร์-ม-ส`** | 7.5 | `ม` |
| และเซเรนา | **`และเซเร-น-า`** | 7.5 | `น` |
| และคูลลิแนน | **`และคูลลิแ-น-น`** | 7.5 | `น` |
| ฟุชิกิดาเนะ | **`ฟุชิกิดาเ-น-ะ`** | 7.5 | `น` |
| ตำบลม่วงงาม | **`ตำบลม่วง-ง-าม`** | 6.0 | `ตำบลม่วง` |
| และตำบลหมื่นไวย | **`และ-ตำบลหมื่นไวย`** | 4.5 | `ตำบลหมื่นไวย` |
| และได้รับสมญาว่า | **`และ-ได้รับสมญาว่า`** | 4.5 | `ได้รับสมญาว่า` |
| และประทับอยู่ | **`และ-ประทับอยู่`** | 4.5 | `ประทับอยู่` |

### 6.6 Linguistic Interpretation

> **Automated Insight:**
The language Thai 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 (4.75x) |
| N-gram | **2-gram** | Lowest perplexity (2,438) |
| 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: 2026-01-17 15:56:15*