在深度神经网络中使用 word 的 n-gram 是真的吗？

例如，句子列表包含在带有“句子”列的 X_train 数据框中。我以以下方式使用 Keras 的标记器：

tokenizer = Tokenizer(lower=True, split=' ')
tokenizer.fit_on_texts(X_train.sentences)
X_train_tokenized = tokenizer.texts_to_sequences(X_train.sentences)

后来我使用填充：

X_train_sequence = sequence.pad_sequences(X_train_tokenized)

我也使用简单的 LSTM 网络：

model = Sequential()
model.add(Embedding(MAX_FEATURES, 128))
model.add(LSTM(32, dropout=0.2, recurrent_dropout=0.2,
               activation='tanh', return_sequences=True))
model.add(LSTM(64, dropout=0.2, recurrent_dropout=0.2, activation='tanh'))
model.add(Dense(number_classes, activation='sigmoid'))
model.compile(loss='categorical_crossentropy', optimizer = 'rmsprop',
              metrics=['accuracy'])

在这种情况下，tokenizer 执行。在 Keras 文档中：https : //keras.io/preprocessing/text/ 我只看到字符处理，但它不适合我的情况。

我的主要问题：我可以将 n-grams 用于具有深度学习的 NLP 任务（不是必要的情感分析，任何抽象的 NLP 任务）。

事实上，在许多教程或书籍中，我没有看到任何用于文本处理的剩余 n-gram，只有嵌入。

澄清一下：我想考虑的不仅仅是单词，而是单词的组合——我想尝试一下我的任务。