你有沒有注意過，輸入法常常猜得到你下一個字？ 你可以把它想成把句子切成固定長度的小片段，看看哪些片段最常一起出現，再拿來猜下一個詞。 N-gram 是最早的語言模型思路之一，靠的是統計，不是理解語意。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
容易混淆
N-gram vs 深度學習語言模型 N-gram：只看前面固定長度的詞 深度學習語言模型：能學更長距離的語意關係 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
N-gram vs 分詞 N-gram：是在切好詞之後做組合統計 分詞：是先把句子切成詞，還沒開始做組合 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
先切片，再數頻率，最後猜下一個。
實際案例
輸入法聯想 你打出「今天晚上」，系統用常見詞組頻率推薦後面的字。
拼字修正 系統看到不常見的字串，就用常見 N-gram 片段去找更像樣的修正。
算法與應用
N-gram 的基本做法是統計前 N-1 個詞出現後，下一個詞的條件機率。 N 越大，上下文越多，但資料稀疏問題也越嚴重。 實務上常搭配平滑技術，避免沒看過的組合直接變成零機率。
情境判斷
Q1（直覺題）： 你要做一個超快的輸入法推薦，資料很多，但不追求理解句意，該用什麼？
N-gram，因為它快、簡單、而且能做基本的下一詞預測。
Q2（判斷題）： 如果把 N 設得很大，結果反而很差，最常見原因是什麼？
資料稀疏，很多組合在語料中根本沒出現，機率估計會失真。
常見問題
N-gram 現在還有用嗎？
有，特別是簡單、快速、資源有限的場景。
中文一定能直接用嗎？
不能直接用，通常要先分詞。
它和 GPT 的差別是什麼？
N-gram 看固定窗口，GPT 看更長且更靈活的上下文。