双字母组

双字母组 或称 二元语法（英语：Bigrams，或称digrams），作为统计分析文本使用非常广泛；它是由两个字母，或者两个音节，或者两个词构成的双字母组。这种组被用在最成功的一种 语音识别 的 語言模型 中。 它们是N字母组的一种特例。

Gappy bigrams 或称 skipping bigrams 是允许有跳空的词对组（也许想避免把词连接起来，或者想允许某种模拟的依赖，如 dependency grammar）。

Head word bigrams 是具有明确依赖关系的 gappy bigrams。

本术语也被用在 密碼學 里, 在此领域，试图破解 密码电文 有时 二元语法频率攻击 会被用到。参考 频率分析。

在给定一个前导词情况下，双字母组可帮助计算出现某个词的概率，这是 条件概率 应用场景：

$P(W_n|W_{n-1}) = { P(W_{n-1},W_n) \over P(W_{n-1}) }$

即，在给定前面一个词 $W_{n-1}$ 的前提下，出现某个词 $W_n$ 的概率 $P(W_n)$ 与他们构成的双字母组的概率一致，换言之，两个词同时出现的概率 $P(W_{n-1},W_n)$ 被出现前一个词 $W_{n-1}$ 的概率除。

英语里双字母组的出现频率

下面列出了英语里最常见的双字母组，据 Cornell University Math Explorer's Project，该项目统计了不少于 40,000 单词。

th 1.52%       en 0.55%       ng 0.18%
he 1.28%       ed 0.53%       of 0.16%
in 0.94%       to 0.52%       al 0.09%
er 0.94%       it 0.50%       de 0.09%
an 0.82%       ou 0.50%       se 0.08%
re 0.68%       ea 0.47%       le 0.08%
nd 0.63%       hi 0.46%       sa 0.06%
at 0.59%       is 0.46%       si 0.05%
on 0.57%       or 0.43%       ar 0.04%
nt 0.56%       ti 0.34%       ve 0.04%
ha 0.56%       as 0.33%       ra 0.04%
es 0.56%       te 0.27%       ld 0.02%
st 0.55%       et 0.19%       ur 0.02%

扩展阅读

• Digraph (orthography)
• N-gram