双字母组

双字母组或称二元语法（英語：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。

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：

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

即，在给定前面一个词${\displaystyle W_{n-1}}$ 的前提下，出现某个词${\displaystyle W_{n}}$ 的概率${\displaystyle P(W_{n})}$ 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${\displaystyle P(W_{n-1},W_{n})}$ 被出现前一个词${\displaystyle W_{n-1}}$ 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^[1]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：^[2]

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。^[3]

参考文献

1. Collins, Michael John. . Association for Computational Linguistics: 184–191. 1996-06-24 [2018-10-09]. doi:10.3115/981863.981888. （原始内容存档于2018-10-08）. 
2. Cornell Math Explorer's Project – Substitution Ciphers. [2011-03-22]. （原始内容于2011-06-05）. 
3. Jones, Michael N; D J K Mewhort. Case-sensitive letter and bigram frequency counts from large-scale English corpora. Behavior Research Methods, Instruments, and Computers. August 2004, 36 (3): 388–396. ISSN 0743-3808. PMID 15641428. 

参见

• 二合字母
• N元语法
• 字母频率
• Dice系数