N-gram adalah jenis struktur data yang digunakan dalam linguistik komputasi dan pemrosesan bahasa alami (NLP). Mereka adalah kelompok kata yang muncul bersamaan dalam kejadian tertentu; misalnya, dua kata N-gram akan menjadi sepasang kata seperti “apel merah”. Mereka digunakan untuk mengukur frekuensi pola kata atau frasa dalam korpus tertentu.
N-gram digunakan dalam berbagai bidang linguistik komputasi seperti pemodelan bahasa, koreksi ejaan, dan penambangan teks. Penerapan N-gram yang paling umum dalam linguistik komputasi adalah untuk menemukan pola dan hubungan dalam kumpulan teks yang besar. Misalnya, mereka dapat digunakan untuk mendeteksi plagiarisme, menemukan kata-kata yang sensitif terhadap topik, dan untuk membangun model bahasa.
Dalam pemodelan bahasa, N-gram digunakan untuk membangun model tentang bagaimana kata-kata cenderung muncul dalam konteks tertentu. Ini mencakup probabilitas sebuah kata muncul setelah kata tertentu sebelumnya, yang dikenal sebagai “kemungkinan N-gram”. Tujuan pemodelan bahasa adalah untuk meningkatkan keakuratan pemahaman bahasa tertentu, dengan menggunakan model N-gram tunggal daripada model statistik yang lebih rumit.
Dalam penambangan teks, N-gram digunakan untuk menentukan sifat statistik suatu korpus. Mereka dapat digunakan untuk mengukur kata mana yang paling sering digunakan dalam sebuah korpus, seberapa sering kata tertentu muncul, dan untuk mendeteksi sentimen sebuah teks.
Secara keseluruhan, N-gram adalah alat yang ampuh dalam linguistik komputasi dan pemrosesan bahasa alami (NLP), yang digunakan untuk mengeksplorasi data tekstual, membangun model bahasa, dan banyak lagi.
