N-gram 是从文本中提取的n个连续的项目（单词、字符或符号）序列。 在 NLP 中，它们最常用于通过将文本分解成更小的块来分析或建模文本。 例如，unigram (n=1) 是一个单独的词，如“猫”，bigram (n=2) 是一对词，如“黑猫”，而 trigram (n=3) 可能是“那只黑猫”。 N-gram 有助于捕捉文本中的局部模式，例如常见短语或单词之间的上下文关系。 它们计算简单，并且是许多 NLP 任务的基础构建块。
在实践中，n-gram 用于构建统计语言模型，以预测单词序列的可能性。 例如，bigram 模型计算给定单词的直接前导词的概率（例如，“黑猫”之后是“猫”）。 这些模型支持诸如自动完成、拼写校正和文本生成之类的应用程序。 N-gram 还在机器学习管道中充当特征。 将文本转换为数字数据时，词袋模型通常包括 n-gram 以保留一些上下文。 例如，在情感分析中，像“不好”或“非常高兴”这样的 bigram 可以通过编码单个单词可能遗漏的否定或强度来提高准确性。
一个具体的例子是训练垃圾邮件分类器。 通过从电子邮件中提取 n-gram（例如，“免费资金”作为 bigram），该模型学习哪些短语在垃圾邮件中比在合法邮件中更常见。 同样，搜索引擎使用 n-gram 进行查询建议——输入“如何”可能会触发像“如何烹饪”或“如何编程”这样的 trigram。 但是，较大的 n-gram（例如，n=4 或更高）可能导致稀疏数据，因为许多组合很少出现。 为了缓解这种情况，应用了诸如平滑或回退（在数据不足时使用较小的 n）之类的技术。 虽然 n-gram 缺乏深刻的语义理解，但它们的简单性和有效性使它们成为 NLP 工作流程中的主流。