워드 임베딩 - Word2Vec 이해하기

워드 임베딩이란?

텍스트 데이터를 자연어 처리나 기계 학습 알고리즘에 사용할 수 있는 형태로 변환하는 기법 중 하나임. 워드 임베딩의 핵심 아이디어는 단어의 의미는 주변 단어에 의해 결정된다는 분포 가설(distributional hypothesis)에 기반한다.

 

워드 임베딩을 통해, 각 단어는 고차원 공간에 벡터로 표현된다. 벡터 공간에서는 의미상 유사한 단어들이 서로 가깝게 위치하게 되며 이러한 벡터 표현은 단어 간의 유사도를 계산하거나, 단어 사이의 관계를 파악하는 데 사용될 수 있다.

---

Word2Vec

Word2Vec은 구글이 개발한 단어 임베딩 기법으로 주변 단어의 유사성을 이용하여 각 단어에 대한 벡터를 학습한다. Word2Vec에는 Continuous Bag of Words(CBOW) 모델과 Skip-Gram 모델이 있다.

 

CBOW 모델은 주변 단어들 W(t-2,-1,+1,+2)을 기반으로 중심 단 어W(t)를 예측한다. 예를 들어, "The cat sits on the mat"라는 문장이 있을 때 "The", "cat", "on", "the", "mat"을 주변 단어로 사용하여 "sits"를 예측하는 것을 목표로 한다. CBOW 모델은 Skip-Gram 모델에 비해 빠르게 학습되며, 빈도수가 많은 단어에 대해 잘 작동하는 특징이 있다.

 

Skip-Gram 모델은 중심 단어를 기반으로 주변 단어를 예측한다. 위의 예제에서는 "sits"가 중심 단어라면 "The", "cat", "on", "the", "mat"을 예측하는 것을 목표로 한다. Skip-Gram 모델은 희소한 데이터 집합에서 잘 작동하며, 단어의 유사성을 잘 잡아내는 특장이 있다.

이렇게 학습된 Word2Vec 모델은 단어 간의 유사도를 계산하는데 사용될 수 있으며, 이를 바탕으로 텍스트를 이해하거나 텍스트 분류, 감성 분석, 기계 번역 등 다양한 자연어 처리 작업을 수행하는데 기본이 되는 개념이다.

---

실습: Word2Vec 임베딩 사용하기

import gensim.downloader as api

# Word2vec-google-news-300 임베딩 모델 다운
model = api.load('word2vec-google-news-300')

Python의 Gensim 라이브러리를 사용하면 사전 학습된 Word2Vec 임베딩을 손쉽게 사용할 수 있다. 아래 코드는 Gensim을 사용하여 Word2Vec-google-news-300 임베딩 모델을 인터넷에서 다운로드하고, 특정 단어에 대한 임베딩을 벡터를 가져오는 코드이다.

 

word2vec-google-news-300은 Word2Vec을 사용하여 구축된 대규모 워드 임베딩 모델로 300차원의 벡터 공간에 약 3백만 개의 영어 단어와 구문을 포함한 약 100억개의 단어 토큰을 가지고 있는 대규모 영어 단어 임베딩 모델이다. 구글 뉴스 기사와 같은 방대한 양의 텍스트 데이터를 바탕으로 학습되었다.

 

임베딩 백터

# king의 임베딩 벡터 
embedding = model['king']

print(embedding)

# output
[ 1.25976562e-01, 2.97851562e-02,  8.60595703e-03, 1.39648438e-01,
 -2.56347656e-02, -3.61328125e-02,  1.11816406e-01, -1.98242188e-01,
  5.12695312e-02,  3.63281250e-01, -2.42187500e-01, -3.02734375e-01,
 -1.77734375e-01, -2.49023438e-02, -1.67968750e-01, -1.69921875e-01,
  3.46679688e-02,  5.21850586e-03,  4.63867188e-02,  1.28906250e-01,
  1.36718750e-01,  1.12792969e-01,  5.95703125e-02,  1.36718750e-01,
  1.01074219e-01, -1.76757812e-01, -2.51953125e-01,  5.98144531e-02, ... ]

gensim에서 임베딩 모델을 불러와 모델로 지정하고, 그 모델에서 king의 임베딩 벡터를 쉽게 가져올수 있다. 결과로 나온 숫자는 다른 단어들과의 관계를 고려해 생성된 숫자로 우리가 어떤 의미를 가지고 있는지 직관적으로 알 수는 없다. 다만, 임베딩 벡터가 유사도를 계산하는 등 여러가지 작업의 기본이 된다.

 

유사도 (similarity) 계산

# Compute similarity between "king" and "queen"
similarity = model.similarity('king', 'queen')
print(f'Similarity between "king" and "queen": {similarity}')

# Compute similarity between "king" and "apple"
similarity = model.similarity('king', 'apple')
print(f'Similarity between "king" and "apple": {similarity}')

# output
Similarity between "king" and "queen": 0.6510956883430481
Similarity between "king" and "apple": 0.10826095938682556

유사도 계산이란 두 단어간 유사한 정도를 숫자로 표현하는 것이며 유사도를 -1 ~ 1 혹은 0 ~ 1 사이의 값을 가지며 숫자가 낮을수록 유사하지 않음을 나타낸다.

 

gensim의 임베딩 모델에서 두 단어 간의 유사도 similarity 함수를 사용하여 계산한다. 위의 예제의 king과 queen의 유사도는 0.65 수준으로 나타났으며 king과 apple은 거의 유사하지 않아 0.1 수준으로 나타났다.

 

유사도 계산을 통해 입력된 단어와 비슷한 단어를 추천 받을 수도 있으며, 비슷한 정도를 통해 동일 카테고리로 설정하는 듯 여러가지 작업이 가능하다.

 

단어 유추 (Word analogy)

# 남자는 왕일때 여자는? =  king + woman - man ?
similar_word = model.most_similar(positive=['woman', 'king'], negative=['man'], topn=1)
print(f'남자는 왕일때 여자는? {similar_word[0][0]}')

# output
남자는 왕일때 여자는? queen

단어 유추는 단어 간의 유사성을 통해 새로운 단어를 찾아내는 데 사용되는 문제 유형입니다. 이 유형의 문제는 보통 "A는 B일때 C는 무엇인가요?" 같은 형태로 표현된다. 단어 유추의 간단한 실습은 Word2vec에서도 가능하다.

---

마치며

워드 임베딩은 자연어 처리의 핵심적인 요소 중 하나로 Word2Vec 같은 기법은 텍스트 데이터를 다루는 다양한 작업에서 높은 성능을 보여주며, 이는 현재도 많은 연구에서 사용되고 있다. 이 게시물이 워드 임베딩에 대한 이해에 도움이 되기를 바란다.