N-gram 이해하기

N-gram이란?

n-gram은 텍스트나 시퀀스에서 연속적으로 나타나는 n개의 항목(단어, 문자 등)을 의미한다. n-gram은 한 단어 이상의 단어 시퀀스를 분석 대상으로 한다. 예를 들어, "I love programming"이라는 문장에서 2-gram(bigram)은 "I love", "love programming" 등이 된다. n-gram은 텍스트의 구조와 패턴을 파악하는 데 유용하여 자연어 처리에서 많이 사용된다. n의 크기에 따라 unigram(1-gram), bigram(2-gram), trigram(3-gram) 등으로 나타낼 수 있다.

 

마르코프 가정

n-gram에서 중요한 개념 중 하나는 마르코프 가정이다. 마르코프 가정은 주어진 시퀀스에서 다음 상태나 사건의 확률이 오직 현재 상태에만 의존하며, 그 이전의 상태나 사건에는 의존하지 않는다는 가정이다. 주어진 단어의 시퀀스에 대해 다음 단어의 확률의 수학적 표현은 1단계와 2단계로 표현 할수 있다.

 

1단계

 

2단계

마르코프 가정의 중요성

마르코프 가정의 장점은 복잡한 문제를 단순화하여 계산적 처리 가능하게 만든다는 것이다. 예를 들어, 언어 모델에서 전체 문장의 단어 시퀀스를 고려하는 것은 매우 복잡할 수 있지만, 마르코프 가정을 적용하면 문제가 훨씬 간단해진다.

그러나, 이 가정은 문맥의 깊이를 제한한다는 단점도 있다. 이는 직전의 한 두 단어만을 고려하기 때문에, 문장 전체의 의미나 구조를 완벽하게 파악하기 어렵다는 것을 의미한다. 따라서, 실제 자연어처리 모델에서는 RNN, LSTM, Transformer와 같은 더 깊은 문맥을 고려하는 다양한 방법들이 연구되고 있다.

 

N-gram의 사용 사례

• 텍스트 생성: n-gram 모델은 주어진 텍스트의 패턴을 학습하여 새로운 텍스트를 생성하는데 사용될 수 있다.
• 검색 엔진: 검색 엔진은 n-gram을 사용하여 검색 쿼리와 문서 간의 유사성을 평가한다.
• 자연어 처리: 텍스트의 구조와 문맥을 파악하는 데 n-gram이 널리 사용된다.

 

N-gram의 장단점

장점

• 간단하고 구현하기 쉽다.
• 큰 데이터셋에서 잘 작동한다.

단점

• n이 큰 경우 데이터가 희소해질 수 있다.
• 단순한 n-gram 모델은 문맥의 깊이를 제대로 잡아내지 못할 수 있다.

 

Python 에서 N-gram 구현하기

Python에서는 nltk 라이브러리를 사용하여 n-gram을 쉽게 구현할 수 있다.

from nltk.util import ngrams
texts = "나는 프로그래밍을 매우 좋아한다"
token = texts.split()
bigram = list(ngrams(token, 2))
print(bigram)
# output
[('나는', '프로그래밍을'), ('프로그래밍을', '매우'), ('매우', '좋아한다')]

 

마치며..

n-gram은 연속적인 단어나 문자의 시퀀스를 통해 텍스트의 패턴과 구조를 파악하는 데 큰 도움을 주기 때문에 텍스트 분석과 같은 자연어 처리에서 핵심적인 개념으로 간주된다. 특히, n-gram은 문맥 정보를 일정 범위 내에서 포착할 수 있어, 텍스트의 패턴을 빠르게 인식하는 데 유용하다.

마르코프 가정은 n-gram 모델의 핵심 원칙 중 하나이다. 이 가정을 통해 문제의 복잡성을 크게 줄일 수 있으며, 계산의 효율성을 향상시킬수 있다. 그러나, 이 가정만으로는 텍스트의 깊은 문맥 정보를 완전히 파악하기는 어렵다.

따라서, n-gram과 마르코프 가정은 자연어 처리의 기본적인 개념으로 시작하여, 보다 발전된 방법들과 함께 사용되면 텍스트 데이터의 다양한 패턴과 구조를 효과적으로 분석할 수 있다. 이를 바탕으로 다양한 어플리케이션, 예를 들면 텍스트 생성, 검색 엔진 최적화, 기계 번역 등에 활용할 수 있다.