기본 콘텐츠로 건너뛰기

[워드임베딩-Word Embedding]원-핫 인코딩(One-hot encoding)


1. 단어 집합(vocabulary) 및 정수 맵핑

텍스트의 모든 단어의 중복을 배제한 집합을 단어 집합(vocabulary)이라고 합니다. 그리고 이 단어 집합에 고유한 숫자를 부여하는 정수 인코딩을 진행합니다. 이를 다른 말로 맵핑(mapping)이라고 합니다. 보통 인덱스는 빈도수가 높은 단어들만 사용하기 위해서, 단어의 빈도수를 기준으로 내림차순 정렬한 뒤에 부여합니다.

2. 원-핫 인코딩(One-hot encoding)

컴퓨터는 문자보다는 숫자를 더 잘 처리 할 수 있습니다. 이를 위해 문자를 숫자로 바꿔야 합니다. 원-핫 인코딩(One-hot encoding)은 문자를 숫자로 바꿔주는 방법 중 가장 기본적인 방법 입니다.
원-핫 인코딩은 "범주형 데이터" 또는 "다중 클래스 분류" 문제를 처리할 때 레이블을 표현합니다. 원-핫 인코딩의 크기는 선택(Category or Class)개수이고, 정답은 1로 나머지는 0으로 표시하는 방법입니다. 
원-핫 인코딩은 단어 집합의 크기를 벡터의 차원으로 하고, 표현하고 싶은 단어의 인덱스 즉, 정답에 1의 값을 부여하고, 다른 인덱스에는 0을 부여하는 단어의 벡터 표현 방식입니다. 이렇게 표현된 벡터를 원-핫 벡터(One-hot vector)라고 합니다. 원-핫 인코딩을 위해서 먼저 해야할 일은 단어 집합을 만드는 일입니다. 원-핫 인코딩을 하기 위해서는 우선 각 선택지에 순차적으로 정수 인덱스를 부여합니다.

원-핫 인코딩 수행 과정

  1. 단어 집합 생성
  2. 각 단어에 고유한 인덱스를 부여
  3. 표현하고 싶은 단어의 인덱스의 위치에 1을 부여하고, 다른 단어의 인덱스의 위치에는 0을 부여
  4. 카테고리가 6개이므로 6차원 벡터로 표시

3. 원-핫 인코딩의 희소 표현(Sparse Vector)

희소 표현을 이용해 벡터 전체를 표기하지 않고, 숫자 하나(1의 값의 Index를 가지고 표현)로 표현할 수 있습니다.

4. 비용함수 MSE(Mean Square Error - 평균 제곱 오차)을 이용한 오차 계산

((1,0,0)−(0,1,0))2=(1−0)2+(0−1)2+(0−0)2=2
((1,0,0)−(0,0,1))2=(1−0)2+(0−0)2+(0−1)2=2

원-핫 인코딩은 순서의 정보를 가지지 않는다. 이는 모든 클래스에 대해서 원-핫 벡터들은 모든 쌍에 대해서 유클리드 거리를 구해도 전부 유클리드 거리가 동일합니다. 하지만 원-핫 벡터은 이러한 특징으로 단어의 유사성을 구할 수 없다는 단점이 있습니다.

5. 원-핫 인코딩(One-hot encoding)의 한계

원-핫 인코딩 방식은 단어의 개수가 늘어날 수록, 벡터를 저장하기 위해 필요한 공간이 계속 늘어난다는 단점이 있습니다. 즉, 원 핫 벡터는 단어 집합의 크기가 곧 벡터의 차원 수가 됩니다. 이 방법은 모든 단어 각각은 하나의 값만 1을 가지고, 999개의 값은 0의 값을 가지는 벡터가 되는데 이는 저장 공간 측면에서는 매우 비효율적인 표현 방법입니다.

또한 원-핫 벡터는 단어의 유사도를 표현하지 못한다는 단점이 있습니다. 단어 간 유사성을 알 수 없다는 단점은 검색 시스템 등에서 심각한 문제입니다.
EX) '삿포로 숙소' 검색하면 연관 검색어로 '삿포로 숙소', '삿포로 게스트 하우스', '삿포로 료칸', '삿포로 호텔' 등 보여주지 못 함.

원-핫 인코딩 한계점 해결 방법으로 다음과 같은 방법이 있습니다.
  • 카운트 기반의 벡터화 방법: LSA, HAL
  • 예측 기반으로 벡터화 방법:  NNLM, RNNLM, Word2Vec, FastText
  • 카운트 기반 and 예측 기반 방법: GloVe

감사합니다.

Reference

  • https://wikidocs.net/31766
  • https://wikidocs.net/22647
  • https://miro.medium.com/max/1348/1*Dpvr1y_n_qlvSjLoqPxtww.png
  • Fast Campus
  • PyTorch로 시작하는 딥 러닝 입문

라벨:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[Deep Learning-딥러닝] 신경망 구조

뉴런 표현 및 연산 방법 생물학의 신경 세포를 단순화하여 모델링 한것이 뉴런입니다.  뉴런은 신경망의 기본 단위 입니다. 뉴런은 여러 신호를 받아, 하나의 신호를 만들어 전달하는 역할을 합니다. 출력을 내기 전에 활성 함수(activation function)을 통해서 비선형 특성을 가할 수 있습니다. 뉴런 연산 방법은 다음과 같습니다. 두 벡터  가중치 weight와 입력 x의  내적 을 구한 후 모두 합한다. 편향을 더합니다.  편향이 없으면, 추세선은 원점을 꼭 지나야 합니다. 활성 함수를 적용 해 비선형 함수로 만듭니다. 두 벡터의 내적은 다음과 같이 표현할 수 있습니다. 두 벡터의 내적 FC(Fully Connected) Layer Matrix 곱셈 연산 표현 방법 뉴런이 모인 한 단위를 계층(Layer)라고 하며, 이전 계층과 다음 계층의 모든 뉴런이 서로 연결된 계층을 Fully-Connected Layer(Dense Layer)라고 합니다. N개의 입력, M개의 출력이 있는 네트워크 예제입니다. 매트릭스  W 의  w 0 는 (N*1)의 벡터이며, 이런  w 0 를 M개 나열되어 있습니다. 입력  x 는 N개라 행렬로 표현하면 (N*1)로 표현됩니다. 가중치를 transpose하여 (M*N)*(N*1)을 연산하여 출력은 (M*1) 형태가 됩니다. 얕은 신경망 - Shallow Neural Network 구조 얕은 신경망 - Shallow Neural Network 입력, 은닉, 출력 3개의 계층으로 되어 있으며, 은닉 계측과 출력 계층이 Fully Connected 계층인 모델을 얕은 신경망(Shallow Neural Network)라고 합니다. 입력 계층(Input Layer) 아무런 연산 없이 은닉계층으로 값을 전달함. 계층의 크기=Node의 개수=입력 Scalar의 수=입력 Vecto...
댓글 쓰기
자세한 내용 보기

워드임베딩(Word Embedding)

단어를 임베딩 층의 입력으로 사용하기 위해서 입력 시퀀스의 각 단어들은 모두 정수 인코딩이 되어있어야 합니다. 워드임베딩 변환 과정 어떤 단어 → 단어에 부여된 고유한 정수값 → 임베딩 층 통과 → 밀집 벡터 임베딩 층은 입력 정수에 대해 밀집 벡터(dense vector)로 맵핑 하고 이 밀집 벡터는 인공 신경망의 학습 과정에서 가중치가 학습되는 것과 같은 방식으로 훈련 됩니다. 그리고 이 밀집 벡터를 임베딩 벡터 라고 부릅니다. 정수를 밀집 벡터 또는 임베딩 벡터로 맵핑하는 이유는 무엇일까요? 임베딩 테이블은 단어 집합의 크기만큼 행을 가지므로 모든 단어는 고유한 임베딩 벡터를 가집니다. 즉, 단어의 정수 인덱스는 임베딩 테이블에 대해서 Lookup을 수행하므로 고유한 임베딩 벡터를 결과 를 냅니다. 위의 그림에서는 임베딩 벡터의 차원이 4로 설정되어져 있습니다. 그리고 단어 great은 정수 인코딩 과정에서 1,918의 정수로 인코딩이 되었고 그에 따라 단어 집합의 크기만큼의 행을 가지는 테이블에서 인덱스 1,918번에 위치한 행을 단어 great의 임베딩 벡터로 사용합니다. 이 임베딩 벡터는 모델의 입력이 되고, 역전파 과정에서 단어 great의 임베딩 벡터값이 학습됩니다. 파이토치에서는 임베딩 벡터를 사용하는 방법이 크게 두 가지가 있습니다.  임베딩 층(embedding layer)을 만들어 훈련 데이터로부터 처음부터 임베딩 벡터를 학습하는 방법 사전에 훈련된 임베딩 벡터(pre-trained word embedding)들을 가져와 사용하는 방법 관련 소스는 다음 GIT에서 참고할 수 있습니다. Reference Source https://github.com/ynebula/NLP/blob/master/Word_Embedding/WordEmbedding.ipynb 감사합니다. Reference https://wikidocs.net/64779 https://wikidocs.net/64904
댓글 쓰기
자세한 내용 보기