워드 임베딩: Difference between revisions
From IT Wiki
m (문자열 찾아 바꾸기 - "분류:데이터 분석" 문자열을 "분류:데이터/통계학" 문자열로) |
m (문자열 찾아 바꾸기 - "분류:데이터/통계학" 문자열을 "분류:데이터 과학" 문자열로) |
||
| Line 1: | Line 1: | ||
[[분류:인공지능]][[분류:데이터 | [[분류:인공지능]][[분류:데이터 과학]] | ||
;Word Embedding | ;Word Embedding | ||
문장 분석 시 단어를 표현함에 있어서 유사도를 부여하는 벡터 표현법 | 문장 분석 시 단어를 표현함에 있어서 유사도를 부여하는 벡터 표현법 | ||
Latest revision as of 23:38, 6 May 2020
- Word Embedding
문장 분석 시 단어를 표현함에 있어서 유사도를 부여하는 벡터 표현법
구성[edit | edit source]
- 유사도 기준: 단어와 단어간 유사도를 부여할 기준. 거리나 문자 유사도 등
- 소프트 맥스: 유사도를 산출한 임베딩 값을 통해 유사 단어 분류
- 표현: 유사 단어를 그래프나 수치로 표현
장단점[edit | edit source]
- 장점
- 단어간의 유사도 측정에 용이
- 단어간의 관계 파악에 유리
- 벡터 연산을 통한 추론이 가능
- 단점
- 단어의 Subword 정보 인식 불가
- ex) 서울지하철, 대구지하철의 유사도 유추 불가
- OOV(Out of Vocabulary)에 적용 불가
- 새로운 단어가 들어오면 새로 학습시켜야 함, 기존 모델 재활용 불가
- 단어의 Subword 정보 인식 불가
