查看“︁双字母组”︁的源代码

{{Rough Translation}}
'''双字母组'''或称'''二元语法'''（{{lang-en|bigrams}}，或称{{lang|en|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。

== 簡介 ==
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：

<math> P(W_n|W_{n-1}) = { P(W_{n-1},W_n) \over P(W_{n-1}) } </math>

即，在给定前面一个词<math>W_{n-1}</math>的前提下，出现某个词<math>W_n</math>的概率<math>P(W_n)</math>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<math>P(W_{n-1},W_n)</math>被出现前一个词<math>W_{n-1}</math>的概率除。

''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[[依赖语法]]）。

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

== 应用 ==
这种组被用在最成功的一种[[语音识别]]<ref>{{cite journal |last1=Collins |first1=Michael John |title=A new statistical parser based on bigram lexical dependencies |date=1996-06-24 |pages=184–191 |doi=10.3115/981863.981888 |url=http://www.aclweb.org/anthology/P96-1025 |accessdate=2018-10-09 |publisher=Association for Computational Linguistics |journal= |author= |archive-url=https://web.archive.org/web/20181008182306/http://www.aclweb.org/anthology/P96-1025 |archive-date=2018-10-08 |dead-url=yes }}</ref>的 [[語言模型]]中。它们是[[N字母组]]的一种特例。

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]]。

== 英语里双字母组的出现频率 ==
据小英语语料库的统计结果，最常见的字母双字母的频率是：<ref>{{Cite web |url=http://www.math.cornell.edu/~mec/2003-2004/cryptography/subs/digraphs.html |title=Cornell Math Explorer's Project – Substitution Ciphers |accessdate=2011-03-22 |archive-date=2011-06-05 |archive-url=https://web.archive.org/web/20110605073649/http://www.math.cornell.edu/~mec/2003-2004/cryptography/subs/digraphs.html |dead-url=no }}</ref>

 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%

可以获得从更大语料库中提取的完整双字母频率。<ref>{{Cite journal | issn = 0743-3808 | volume = 36 | issue = 3 | pages = 388–396| last = Jones| first = Michael N|author2=D J K Mewhort| title = Case-sensitive letter and bigram frequency counts from large-scale English corpora| journal = Behavior Research Methods, Instruments, and Computers | date = August 2004 | pmid=15641428}}</ref>

== 参考文献 ==
{{Reflist|2}}

== 参见 ==
* [[二合字母]]
* [[N元语法]]
* [[字母频率]]
* [[Dice系数]]

{{自然语言处理}}

[[Category:形式语言]]
[[Category:古典密码学]]
[[Category:自然語言處理]]