📝 N-gram
1. N-gram 的定义
N-gram 是指一段文本中连续出现的 N 个词或字符的序列。它是一种特征工程（Feature Engineering）技术，将文本数据转化为机器学习模型可以理解的数字特征。
- N 是一个变量，代表序列的长度。
| N 值 | 术语 | 示例序列 | 作用 |
|---|---|---|---|
| 1 | Unigram (一元语法) | 医生、态度、很好 |
仅保留词频信息，忽略词序和上下文。 |
| 2 | Bigram (二元语法) | 医生 态度、态度 很好 |
捕捉局部词序和搭配，开始体现上下文信息。 |
| 3 | Trigram (三元语法) | 医生 态度 很好 |
捕捉更长的上下文，有助于识别固定短语。 |
2. N-gram 的核心作用：捕捉上下文
在情感分析或主题分类中，单个词语（Unigram）往往不够：
- 仅看 Unigram： 词语“不”和“好”的频率很高。模型只知道“不”是负面词，“好”是正面词。
- 看 Bigram： 如果使用 Bigram，模型会识别到“不 好”（负面）和“非 常 好”（正面）。
在患者反馈中，N-gram 的重要性体现在：
| 场景 | 示例 | N-gram 捕捉的特征 |
|---|---|---|
| 负面体验 | “等待 时间 太长” | Trigram (等待 时间 太长) 作为一个特征，比单个词语更能准确地指向“流程效率低下”这个主题。 |
| 混合情感 | “护士 很好 但 医生 很忙” | Bigrams (护士 很好, 医生 很忙) 帮助分类器识别到句子中存在两个对立的观点，从而将评论分类为“混合情感（Mixed）”。 |
| 专业术语 | “电子病历 系统” | Bigram (电子病历 系统) 比两个独立的 Unigram 更能准确地代表“IT 系统”这个主题。 |
3. "N-grams Classified" 在综述中的意义
当表 2B 的研究采用 "N-grams Classified" 作为特征时，这意味着：
- 特征工程： 研究人员首先将患者评论文本转换成了一个包含所有 $N=1, 2, 3...$ 等 N-gram 组合的特征向量。
- 分类器输入： 他们没有将原始文本输入给分类器（如 SVM），而是将这个N-gram 频率统计或 TF-IDF 加权后的向量输入给 SVM 或 Naïve Bayes。
- 传统 ML 的标志： 使用 N-gram 作为主要特征是传统机器学习（如 SVM、NB）在 NLP 中最常用的做法。这些模型善于在高维稀疏特征（即大量的 N-gram）上找到关键模式。