N元语法（简述）

N元语法是指 由几个连续的词组成的子序列。

①.比起用单个词作特征，使用N元语法能更好地描述文档.

②.N元语法的计算方法跟计算单个词语相同，把构成N元语法的几个词看成是词袋中 的1个词。

注：N元语法中的参数n，对于英语这门语言，一开始取2到5之间的值就可以， 有些应用可能要使用更高的值。

例：当n取3时，我们从下面引文中抽取前几个N元语法

Always look on the bright side of life.

第一个N元语法（三元）是Always look on，第二个是look on the，第三个是on the bright。你 可能已经发现，几个N元语法有重合，其中三个词有不同程度的重复。

1.优点：N元语法比起单个词有很多优点。这个简单的概念不用通过大量的计算，就提供了有助于理 解词语用法的上下文信息。

2. 缺点：它的缺点是特征矩阵变得更为稀疏——一个N元语法不太可能出现两 次（短文本中！）。

对于社会媒体所产生的内容以及其他短文档，N元语法不可能出现在多篇不同的文档中，除 非是转发。然而，在长文档中，N元语法就很有效。

文档的另外一种N元语法关注的不是一组词而是一组字符（虽然字符N元语法①有多种计算方 法！）。字符N元语法有助于发现拼写错误。

-----整理自《数据挖掘入门与实践》