토큰화 이후: 임베딩과 표현 학습

서브워드 토큰화를 통해 텍스트를 처리한 이후, 기계 학습 모델은 이를 수치 데이터로 변환해 학습한다.
이 과정을 임베딩(Embedding)이라고 하며, NLP 모델 성능의 핵심적인 요소로 작용한다.

임베딩의 개념

텍스트를 수치화하는 이유

1. 모델의 입력 요구: 딥러닝 모델은 숫자 데이터를 입력으로 받음.
2. 어휘 표현의 일반화: 유사한 단어를 비슷한 수치로 표현.
3. 고차원 데이터 표현: 단어 간의 복잡한 관계를 효율적으로 표현.

임베딩의 장점

• 의미 기반 표현: 단어 간 의미적 유사성을 반영.
• 차원 축소: 어휘 크기에 비해 상대적으로 작은 차원으로 단어를 표현.
• 기계 학습 효율성 증가: 모델 학습 속도와 성능 향상.

주요 임베딩 기법

1. Word2Vec

Word2Vec은 단어를 고차원 벡터로 변환하는 기법으로, CBOW와 Skip-Gram 두 가지 모델이 있다.

특징

• 의미 기반 학습: 유사한 문맥에서 사용되는 단어는 유사한 벡터로 표현.
• 저차원 벡터 표현: 수백 차원으로 단어 표현.

예제

단어: "강아지", "고양이"
유사도: cos(강아지, 고양이) ≈ 0.8

Python 예제

from gensim.models import Word2Vec

sentences = [["I", "love", "cats"], ["I", "love", "dogs"]]
model = Word2Vec(sentences, vector_size=100, window=5, min_count=1, workers=4)
vector = model.wv['cats']
print(vector)

2. GloVe (Global Vectors)

GloVe는 단어의 동시 등장 행렬을 학습하여 전역적인 문맥 정보를 반영한다.

특징

• 전역적 통계 기반: 단어 간 동시 등장 확률을 학습.
• 수학적 안정성: 최적화 문제로 접근.

예제

단어: "왕", "여왕", "남자", "여자"
벡터 연산: 왕 - 남자 + 여자 ≈ 여왕

Python 예제

from gensim.models import KeyedVectors

model = KeyedVectors.load_word2vec_format('glove.6B.100d.txt', binary=False)
vector = model['king']
print(vector)

3. FastText

FastText는 단어를 서브워드 단위로 분해하여 벡터를 학습한다.

특징

• 희귀 단어 처리: 서브워드 조합으로 새로운 단어 표현 가능.
• 언어 간 유연성: 언어 구조의 특성을 잘 반영.

예제

단어: "unbelievable"
서브워드: ["un", "##bel", "##ievable"]

Python 예제

from gensim.models import FastText

sentences = [["I", "love", "coding"], ["coding", "is", "fun"]]
model = FastText(sentences, vector_size=100, window=5, min_count=1, workers=4)
vector = model.wv['coding']
print(vector)

4. Contextual Embeddings

Contextual Embeddings는 단어가 문맥에 따라 다른 벡터로 표현되는 기법이다.
대표적으로 BERT, GPT와 같은 트랜스포머 기반 모델에서 사용된다.

특징

• 문맥 의존적: 단어의 의미가 문맥에 따라 변동.
• 고차원 표현: 복잡한 문맥 정보를 반영.

예제

문장 1: "I saw a bat flying in the sky."
문장 2: "I used a bat to play baseball."
벡터: "bat"의 두 문맥에서 서로 다른 벡터로 표현.

Python 예제

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
model = AutoModel.from_pretrained("bert-base-uncased")
inputs = tokenizer("I saw a bat flying in the sky.", return_tensors="pt")
outputs = model(**inputs)
vector = outputs.last_hidden_state
print(vector)

임베딩 학습 후의 과정

1. 클러스터링 및 시각화

• 학습된 임베딩을 t-SNE나 PCA로 시각화하여 구조 확인.

Python 예제

from sklearn.decomposition import PCA
import matplotlib.pyplot as plt

vectors = model.wv.vectors
pca = PCA(n_components=2)
reduced_vectors = pca.fit_transform(vectors)
plt.scatter(reduced_vectors[:, 0], reduced_vectors[:, 1])
plt.show()

2. 특정 태스크 적용

• 분류: 감성 분석, 뉴스 카테고리 분류.
• 유사도 검색: 검색 엔진, 추천 시스템.
• 기계 번역: 다국어 텍스트 처리.

임베딩의 한계와 개선 방향

1. 대규모 데이터 요구: 고품질 임베딩 학습에 많은 데이터 필요.
2. 언어 간 차이: 각 언어에 특화된 임베딩 필요.
3. 문맥 처리 한계: 정적 임베딩의 경우 문맥 의존적 표현 어려움.

마무리

서브워드 토큰화 이후 임베딩은 NLP의 핵심 과정을 구성하며, 텍스트 데이터에서 의미를 학습하는 기초를 제공한다.
다양한 임베딩 기법을 활용하여 텍스트 데이터를 효과적으로 처리하고, 태스크에 맞는 최적의 표현을 선택하는 것이 중요하다.