n克在什么n会适得其反？

在进行自然语言处理时，可以采用语料库并评估下一个单词按n序列出现的概率。n通常选择为2或3（二元组和三元组）。

给定对特定语料库进行一次分类所花费的时间，是否存在已知的第n条链数据追踪适得其反的地方？还是给定从（数据结构）字典中查找概率所需的时间？

考虑到在某个级别对特定语料库进行一次分类所花费的时间，是否存在已知的第n条链跟踪数据适得其反的地方？

您应该在寻找困惑度与n克大小的表格或图表。

例子：

http://www.itl.nist.gov/iad/mig/publications/proceedings/darpa97/html/seymore1/image2.gif：

http://images.myshared.ru/17/1041315/slide_16.jpg：

http://images.slideplayer.com/13/4173894/slides/slide_45.jpg：

困惑度取决于您的语言模型，n-gram大小和数据集。像往常一样，在语言模型的质量和运行时间之间要进行权衡。当今最好的语言模型是基于神经网络的，因此，选择n-gram大小就不再是一个问题了（但是，如果您使用CNN，则需要选择过滤器的大小以及其他超参数……）。

您对“非生产性”的衡量可能是任意的-例如。具有大量快速内存，可以更快（更合理）地处理它。

在说了这一点之后，就出现了指数增长，从我自己的观察来看，它似乎在3-4大关附近。（我没有看到任何具体的研究）。

三元组确实比二元组有优势，但是它很小。我从来没有实现过4克，但是改进的幅度要小得多。可能下降了相似的数量级。例如。如果三字组比二元组将事物改进10％，那么合理的4克估算值可能比三字组提高1％。

$10,000$$10000^2$$10000^3$$10000^4$

您将需要一个庞大的语料库来补偿稀释效应，但是齐普夫定律说，一个庞大的语料库还将具有更多独特的词...

我推测这就是为什么我们看到许多bigram和trigram模型，实现和演示的原因。但没有完整的4克示例。