README.md

---
language: hyw
language_name: Western Armenian
language_family: armenian
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-armenian
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: 4.072
  - name: best_isotropy
    type: isotropy
    value: 0.8364
  - name: vocabulary_size
    type: vocab
    value: 0
generated: 2026-01-10
---

# Western Armenian - Wikilangs Models
## Comprehensive Research Report & Full Ablation Study

This repository contains NLP models trained and evaluated by Wikilangs, specifically on **Western Armenian** 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** | 3.186x | 3.19 | 0.2260% | 265,032 |
| **16k** | 3.511x | 3.52 | 0.2491% | 240,461 |
| **32k** | 3.812x | 3.82 | 0.2705% | 221,471 |
| **64k** | 4.072x 🏆 | 4.08 | 0.2889% | 207,332 |

### Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

**Sample 1:** `թուական, ոչ նահանջ տարի, 17րդ դարու 89րդ տարին է Դէպքեր Ծնունդներ 16px 120px Մոն...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 7 րդ ... (+28 more)` | 38 |
| 16k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 7 րդ ... (+27 more)` | 37 |
| 32k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 7 րդ ... (+26 more)` | 36 |
| 64k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 7 րդ ... (+26 more)` | 36 |

**Sample 2:** `թուական, ոչ նահանջ տարի, 17րդ դարու 69րդ տարին է Դէպքեր Անծանօթ ամսաթիւով՝ Օսման...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 7 րդ ... (+30 more)` | 40 |
| 16k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 7 րդ ... (+27 more)` | 37 |
| 32k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 7 րդ ... (+27 more)` | 37 |
| 64k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 7 րդ ... (+26 more)` | 36 |

**Sample 3:** `թուական, ոչ նահանջ տարի, 16րդ դարու 70րդ տարին է Դէպքեր Ծնունդներ 16px 120px Սեպ...`

| Vocab | Tokens | Count |
|-------|--------|-------|
| 8k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 6 րդ ... (+33 more)` | 43 |
| 16k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 6 րդ ... (+33 more)` | 43 |
| 32k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 6 րդ ... (+32 more)` | 42 |
| 64k | `▁թուական , ▁ոչ ▁նահանջ ▁տարի , ▁ 1 6 րդ ... (+30 more)` | 40 |


### Key Findings

- **Best Compression:** 64k achieves 4.072x compression
- **Lowest UNK Rate:** 8k with 0.2260% 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 | 39,006 | 15.25 | 104,315 | 8.5% | 23.6% |
| **2-gram** | Subword | 392 🏆 | 8.61 | 9,402 | 59.8% | 96.3% |
| **3-gram** | Word | 62,599 | 15.93 | 104,125 | 4.4% | 14.0% |
| **3-gram** | Subword | 3,216 | 11.65 | 76,613 | 26.7% | 64.9% |
| **4-gram** | Word | 113,012 | 16.79 | 154,212 | 2.7% | 9.7% |
| **4-gram** | Subword | 17,012 | 14.05 | 379,918 | 14.1% | 37.8% |
| **5-gram** | Word | 73,099 | 16.16 | 96,541 | 3.1% | 11.9% |
| **5-gram** | Subword | 58,403 | 15.83 | 935,209 | 8.5% | 24.3% |

### Top 5 N-grams by Size

**2-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `եղած է` | 5,851 |
| 2 | `մէջ կը` | 5,372 |
| 3 | `եւ կը` | 4,686 |
| 4 | `որ կը` | 4,419 |
| 5 | `ինչպէս նաեւ` | 3,890 |

**3-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ծանօթագրութիւններ արտաքին յղումներ` | 1,448 |
| 2 | `տեղի կ ունենայ` | 1,025 |
| 3 | `տե ս նաեւ` | 875 |
| 4 | `լոյս տեսած է` | 799 |
| 5 | `կենսագրութիւն ծնած է` | 685 |

**4-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `հ մ ը մ` | 449 |
| 2 | `կենսագրական գիծեր ծնած է` | 395 |
| 3 | `թուական ոչ նահանջ տարի` | 330 |
| 4 | `մ ը մ ի` | 326 |
| 5 | `նախնական կրթութիւնը ստացած է` | 273 |

**5-grams (Word):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `հ մ ը մ ի` | 320 |
| 2 | `տարին է դէպքեր ծնունդներ 16px` | 223 |
| 3 | `աղբիւրներ հայ հանրագիտակ հ մկրտիչ` | 148 |
| 4 | `է դէպքեր ծնունդներ 16px մահեր` | 147 |
| 5 | `դէպքեր ծնունդներ 16px մահեր 16px` | 147 |

**2-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ո ւ` | 1,154,928 |
| 2 | `ա ն` | 1,111,749 |
| 3 | `ն _` | 917,764 |
| 4 | `ե ր` | 685,736 |
| 5 | `ա ր` | 622,298 |

**3-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ա ն _` | 382,604 |
| 2 | `ն ե ր` | 314,903 |
| 3 | `ր ո ւ` | 295,790 |
| 4 | `ա կ ա` | 277,056 |
| 5 | `ո ւ թ` | 265,013 |

**4-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ա կ ա ն` | 217,395 |
| 2 | `կ ա ն _` | 159,498 |
| 3 | `ե ր ո ւ` | 152,660 |
| 4 | `ո ւ թ ի` | 140,761 |
| 5 | `թ ի ւ ն` | 139,607 |

**5-grams (Subword):**

| Rank | N-gram | Count |
|------|--------|-------|
| 1 | `ա կ ա ն _` | 153,426 |
| 2 | `ո ւ թ ի ւ` | 138,505 |
| 3 | `ւ թ ի ւ ն` | 138,493 |
| 4 | `ո ւ թ ե ա` | 106,369 |
| 5 | `ն ե ր ո ւ` | 105,374 |


### Key Findings

- **Best Perplexity:** 2-gram (subword) with 392
- **Entropy Trend:** Decreases with larger n-grams (more predictable)
- **Coverage:** Top-1000 patterns cover ~24% 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 | 0.8813 | 1.842 | 6.94 | 388,915 | 11.9% |
| **1** | Subword | 0.5894 | 1.505 | 6.80 | 3,661 | 41.1% |
| **2** | Word | 0.2276 | 1.171 | 1.57 | 2,695,260 | 77.2% |
| **2** | Subword | 0.9532 | 1.936 | 6.36 | 24,911 | 4.7% |
| **3** | Word | 0.0665 | 1.047 | 1.11 | 4,212,072 | 93.4% |
| **3** | Subword | 0.8254 | 1.772 | 4.29 | 158,342 | 17.5% |
| **4** | Word | 0.0190 🏆 | 1.013 | 1.03 | 4,666,447 | 98.1% |
| **4** | Subword | 0.6377 | 1.556 | 2.87 | 679,042 | 36.2% |

### Generated Text Samples (Word-based)

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

**Context Size 1:**

1. `եւ ճոն չիփ ինք արդէն այդ քայլը շրջանը տասը գիրքերը գրուած հայերէն անգլերէն որ կ առնէ`
2. `է թուականներուն ըստ ժողովրդական արդիստի կոչման հայաստանի հանրապետութեան կառավարութեան սակայն ան իր մ...`
3. `կը պատսպարէ քանատական կողմէն երգը ձայնագրուած է պաքուի 1 րդ կաթողիկոս խորէն տէր կիւրեղեան տայանա 8`

**Context Size 2:**

1. `եղած է հայ արշակունիներու արքայատոհմէն եղած է 100 հազարէն աւելի հայ պատանիներ ժամանակագրութիւն 15 փե...`
2. `մէջ կը գտնուին քիմքին ամբողջ տարածքին մեծ կաղնիի անտառները արգելոցին զարդը կը կազմեն իր աշխատութիւնն...`
3. `եւ կը վերադառնայ երուսաղէմ կ երթան գերեզման անուշաբոյր իւղերով օծելու քրիստոսի մարմինը իր մտահոգութի...`

**Context Size 3:**

1. `ծանօթագրութիւններ արտաքին յղումներ այսօր երջանկության միջազգային օրն է ըստ վիճակագրութեան գիւղացի կա...`
2. `տեղի կ ունենայ վիզի վիրաբուժական գործողութիւններու ընթացքին եւ յատկապէս քնանալէ առաջ ստորեւ կը ներկա...`
3. `տե ս նաեւ արեւմտահայաստանի եւ արեւմտահայութեան հարցերու ուսումնասիրութեան կեդրոն ռատիօ եան անկախ հայ...`

**Context Size 4:**

1. `հ մ ը մ ի արժանեաց շքանշանով խօսքեր հ մ ը մ ի կեդրոնական վարչութիւնը գնահատելով բազմավաստակ եղբօր եր...`
2. `կենսագրական գիծեր ծնած է կիրովականի մէջ այժմ վանաձոր կը լուսաբանէր շրջանի արդիւնաբերական եւ գիւղատնտ...`
3. `թուական ոչ նահանջ տարի 19րդ դարու վերջին 100րդ տարին է դէպքեր անստոյգ ամսաթիւով արթուր էվանս քնոսոսի...`


### Generated Text Samples (Subword-based)

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

**Context Size 1:**

1. `_մէջութեմն_կակ՛ա`
2. `ան_արհան_կաւորը_`
3. `նց։_գոքիսուրուրժ`

**Context Size 2:**

1. `ութեանցնել_ան)_հա`
2. `անները_պատրուածան`
3. `ն_պարին_մէտ_հաւար`

**Context Size 3:**

1. `ան_տարբերոս,_17-րդ`
2. `ները:_ան_կատարապետ`
3. `րութիւններով։_հօրը`

**Context Size 4:**

1. `ականուազակ»_(«retur`
2. `կան_կրթակայն_համար։`
3. `երու_գուստեղծագործո`


### Key Findings

- **Best Predictability:** Context-4 (word) with 98.1% predictability
- **Branching Factor:** Decreases with context size (more deterministic)
- **Memory Trade-off:** Larger contexts require more storage (679,042 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 | 163,300 |
| Total Tokens | 4,777,649 |
| Mean Frequency | 29.26 |
| Median Frequency | 4 |
| Frequency Std Dev | 646.35 |

### Most Common Words

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | եւ | 137,926 |
| 2 | է | 124,125 |
| 3 | կը | 121,199 |
| 4 | մէջ | 80,008 |
| 5 | կ | 34,717 |
| 6 | որ | 32,222 |
| 7 | են | 28,873 |
| 8 | իր | 27,391 |
| 9 | մը | 25,115 |
| 10 | ու | 24,951 |

### Least Common Words (from vocabulary)

| Rank | Word | Frequency |
|------|------|-----------|
| 1 | հաւատուի | 2 |
| 2 | ricœur | 2 |
| 3 | ցամաքամերձ | 2 |
| 4 | մունք | 2 |
| 5 | munch | 2 |
| 6 | համաժամեցուած | 2 |
| 7 | measurable | 2 |
| 8 | թհ | 2 |
| 9 | indelible | 2 |
| 10 | պրոդիուսր | 2 |

### Zipf's Law Analysis

| Metric | Value |
|--------|-------|
| Zipf Coefficient | 0.9253 |
| R² (Goodness of Fit) | 0.997096 |
| Adherence Quality | **excellent** |

### Coverage Analysis

| Top N Words | Coverage |
|-------------|----------|
| Top 100 | 26.8% |
| Top 1,000 | 48.9% |
| Top 5,000 | 67.7% |
| Top 10,000 | 76.1% |

### Key Findings

- **Zipf Compliance:** R²=0.9971 indicates excellent adherence to Zipf's law
- **High Frequency Dominance:** Top 100 words cover 26.8% of corpus
- **Long Tail:** 153,300 words needed for remaining 23.9% 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 | 0.8364 | 0.3396 | N/A | N/A |
| **mono_64d** | 64 | 0.7779 | 0.2555 | N/A | N/A |
| **mono_128d** | 128 | 0.7701 | 0.1665 | N/A | N/A |
| **aligned_32d** | 32 | 0.8364 🏆 | 0.3355 | 0.0500 | 0.2460 |
| **aligned_64d** | 64 | 0.7779 | 0.2492 | 0.0600 | 0.2960 |
| **aligned_128d** | 128 | 0.7701 | 0.1670 | 0.1080 | 0.4300 |

### Key Findings

- **Best Isotropy:** aligned_32d with 0.8364 (more uniform distribution)
- **Semantic Density:** Average pairwise similarity of 0.2522. Lower values indicate better semantic separation.
- **Alignment Quality:** Aligned models achieve up to 10.8% 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 | **-0.511** | 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 |
|--------|----------|
| `-ա` | ասեղնագործէին, ապականիչ, անդամակցութիւնը |
| `-մ` | մոնկոլիան, մտերիմը, մազմզուկներու |
| `-մա` | մազմզուկներու, մաֆին, մատնութիւն |
| `-հա` | հաւաքուածները, հաւնած, հակազգային |
| `-ս` | սթեմֆորտ, սարոս, սարուխանեանը |
| `-կ` | կայազորի, կայքէջի, կատուն |
| `-հ` | հաւաքուածները, հաւնած, հակազգային |
| `-պ` | պոգոդինի, պեշավար, պատսպարուի |

#### Productive Suffixes
| Suffix | Examples |
|--------|----------|
| `-ն` | բառարանագիտական, բակերն, հակազգային |
| `-ան` | բառարանագիտական, քառորդական, տուրիստական |
| `-ը` | գուլպաները, զգայարանքը, հաւաքուածները |
| `-ի` | կայազորի, ռատիօհեռասփռումի, կայքէջի |
| `-ին` | հակազգային, օրֆէասին, ասեղնագործէին |
| `-ու` | նոյնականացնելու, փրոֆեսորներու, ուսուցանելու |
| `-ւն` | կատուն, եկամուտներուն, գնողներուն |
| `-ւ` | ինտերակտիւ, նոյնականացնելու, փրոֆեսորներու |

### 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 |
|------|----------|------------------|----------|
| `ներո` | 1.91x | 133 contexts | ներով, ներող, ներու |
| `ութե` | 1.66x | 232 contexts | լութեր, ութեան, հութեն |
| `աստա` | 1.66x | 159 contexts | հաստա, փաստա, դաստա |
| `աննե` | 1.51x | 178 contexts | բաններ, մկաններ, սպաններ |
| `րակա` | 1.48x | 146 contexts | րական, փրակա, պրական |
| `ուակ` | 1.95x | 43 contexts | առուակ, սրուակի, առուակի |
| `ակու` | 1.42x | 179 contexts | մակու, ակուլ, կակուղ |
| `ւթեա` | 1.97x | 41 contexts | ութեան, ծութեան, րութեան |
| `ամար` | 1.47x | 135 contexts | քամար, ամարը, համար |
| `ագրո` | 1.55x | 84 contexts | ծրագրով, զագրոսի, բնագրով |
| `ւթիւ` | 1.70x | 48 contexts | ութիւն, ութիւնը, էութիւն |
| `ններ` | 1.47x | 88 contexts | ֆիններ, իոններ, բաններ |

### 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 |
|--------|--------|-----------|----------|
| `-ա` | `-ն` | 244 words | արածեցման, ամուսնանան |
| `-մ` | `-ն` | 158 words | մտերիմներէն, մեծերին |
| `-կ` | `-ն` | 109 words | կիսաքոչուորական, կրետացիին |
| `-ա` | `-ը` | 95 words | առաջնութիւնները, արականը |
| `-ա` | `-ի` | 89 words | արիացի, արամանի |
| `-ս` | `-ն` | 88 words | ստեղներուն, սաթամեանին |
| `-պ` | `-ն` | 88 words | պարթոն, պատմալեզուագրական |
| `-ա` | `-ան` | 85 words | արածեցման, ամուսնանան |
| `-մ` | `-ի` | 84 words | մահտեսեանի, մաղրեպի |
| `-հա` | `-ն` | 80 words | համաստեղութիւն, հաւաքականին |

### 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 |
|------|-----------------|------------|------|
| ծանօթացնել | **`ծանօթաց-ն-ել`** | 7.5 | `ն` |
| երկրաչափութիւնը | **`երկրաչափութիւ-ն-ը`** | 7.5 | `ն` |
| ախտապատճառներն | **`ախտապատճառն-եր-ն`** | 7.5 | `եր` |
| հովիտներով | **`հովիտն-եր-ով`** | 7.5 | `եր` |
| քէհեայեանը | **`քէհեայեա-ն-ը`** | 7.5 | `ն` |
| ճէպէճեանի | **`ճէպէճե-ան-ի`** | 7.5 | `ան` |
| ձգաններուն | **`ձգաններ-ու-ն`** | 7.5 | `ու` |
| միաբանութիւններ | **`միաբանութիւն-ն-եր`** | 7.5 | `ն` |
| հանրապետութենէն | **`հանրապետութե-ն-էն`** | 7.5 | `ն` |
| իմաստասիրութենէն | **`իմաստասիրութե-ն-էն`** | 7.5 | `ն` |
| տեղանունների | **`տեղանունն-եր-ի`** | 7.5 | `եր` |
| հարեւաններ | **`հարեւան-ն-եր`** | 7.5 | `ն` |
| բերբերյանի | **`բերբերյ-ան-ի`** | 7.5 | `ան` |
| աջակիցներ | **`աջակից-ն-եր`** | 7.5 | `ն` |
| մթութիւնը | **`մթութիւ-ն-ը`** | 7.5 | `ն` |

### 6.6 Linguistic Interpretation

> **Automated Insight:**
The language Western Armenian 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 (4.07x) |
| N-gram | **2-gram** | Lowest perplexity (392) |
| Markov | **Context-4** | Highest predictability (98.1%) |
| 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 03:56:09*