어휘 사전 (Vocabulary) 1. 개요 어휘 사전(Vocabulary)이란 자연어 처리(NLP)에서 모델이 처리할 수 있는 모든 고유한 토큰(Token, 텍스트의 최소 의미 단위)의 집합을 의미하며, 텍스트 데이터를 컴퓨터가 이해할 수 있는 수치형 벡터로 변환하기 위한 기초 매핑 테이블 역할을 한다. 2. 어휘 사전 구축 과정 어휘 사전 구축은 원시 …
검색 결과
검색어를 입력하세요.
BPE (Byte Pair Encoding) 1. 개요 BPE(Byte Pair Encoding)는 자연어 처리(NLP)에서 텍스트를 효율적으로 분절하기 위해 사용되는 서브워드(Subword) 토큰화 알고리즘으로, 빈도 기반의 문자 쌍 병합을 통해 단어와 문자 단위의 중간 형태인 서브워드 어휘집을 구축하는 기법이다. 전통적인 NLP에서는 단어 단위(Word…
DBpedia 1. 개요 DBpedia는 위키백과(Wikipedia)의 구조화된 정보-박스(Infobox)를 추출하여 시맨틱 웹(Semantic Web) 표준 형식으로 제공하는 오픈 지식 그래프(Knowledge Graph) 프로젝트이다. DBpedia의 주된 목적은 위키백과라는 거대한 비정형 텍스트 저장소를 기계가 읽고 처리할 수 있는 정형 데이터로 변환…
어휘 재구성 (Vocabulary Reconstruction) 1. 개요 어휘 재구성(Vocabulary Reconstruction)이란 자연어 처리(NLP) 모델이 텍스트를 처리하기 위해 사용하는 기본 단위인 어휘 사전(Vocabulary)을 데이터의 통계적 특성에 맞게 효율적으로 다시 정의하고 구축하는 전처리 과정을 의미한다. 현대 NLP의 핵심 목적은…
어휘 확장자연어처리(NLP, Natural Language Processing) 모델 성능은 모델이 이해하고 처리할 수 있는 어휘의 범위에 크게 영향을 받습니다. 특히 언어는 지속적으로 진화하고, 새로운 단어, 줄임말, 신조어, 전문 용어 등이 등장하기 때문에, 모델의 어휘가 고정되어 있을 경우 성능 저하가 불가피합니다. 어휘 확장(Vocabulary Ex…
어휘 크기 (Vocabulary Size) 1. 개요 어휘 크기(Vocabulary Size)란 자연어 처리(NLP) 모델이 텍스트 데이터를 처리하기 위해 정의한 고유한 토큰(Token)의 총 개수를 의미한다. 언어 모델은 텍스트를 직접 이해할 수 없으므로, 텍스트를 숫자 형태의 벡터로 변환하는 과정이 필요하다. 이때 모델이 인식할 수 있는 '단어 사전'의…
서브워드 (Subword) 서브워드(Subword)는 자연어 처리(Natural Language Processing, NLP) 분야에서 단어(Word)와 문자(Character)의 중간 단계에 해당하는 어휘 단위(Vocabulary Unit)를 의미합니다. 기존 단어 기반 토큰화(Tokenization) 방식이 가진 한계, 특히 희귀어 처리 문제와 어휘 사…
토큰 (Token) 토큰(Token)은 컴퓨팅 및 언어 처리 분야에서 원시 데이터 스트림을 의미 있는 최소 단위인 '토큰'으로 분할하는 과정을 지칭합니다. 이는 주로 프로그래밍 언어의 컴파일 과정인 렉싱(Lexing)이나 자연어 처리(NLP)의 전처리 단계에서 핵심적인 역할을 수행합니다. 토큰은 문맥에 따라 문자, 단어, 구절, 또는 특수 기호 등 다양한 …
Out-of-Vocabulary 개요 자연어처리(Natural Language Processing, NLP) 분야에서 Out-of-Vocabulary(OoV)는 모델이 학습 과정에서 접하지 못한 단어를 의미합니다. 이는 텍스트 데이터를 처리하는 시스템이 사전에 정의된 어휘 집합(Vocabulary)에 포함되지 않은 단어를 마주했을 때 발생하는 문제로, 모델…
Sennrich et al. (2016) 개요 Sennrich et al. (2016)은 자연어처리, 특히 기계 번역(Machine Translation, MT) 분야에서 중요한 전환점을 마련한 논문으로, 백워드 번역(Back-Translation)과 서브워드 유닛(Subword Units) 기반의 바이트 페어 인코딩(Byte Pair Encoding, B…
SentencePiece 개요 SentencePiece는 구글이 개발한 오픈소스 자연어 처리(NLP) 라이브러리로, 언어 모델링 및 기계 번역 작업에서 사용되는 서브워드 토크나이제이션(subword tokenization) 기법을 구현하는 도구입니다. 기존의 단어 기반 또는 문자 기반 토크나이제이션 방식의 한계를 극복하기 위해 설계되었으며, 언어에 독립적인…
Vocabulary 자연어 처리(Natural Language Processing, NLP) 분야에서 어휘(Vocabulary)는 언어를 컴퓨터가 이해하고 처리할 수 있도록 구성하는 가장 기본적이면서도 핵심적인 요소입니다. 어휘는 특정 언어나 텍스트 집합에서 사용되는 모든 단어 또는 토큰(token)의 집합을 의미하며, 자연어 처리 시스템의 성능과 일반화 …
토큰화 (Tokenization) 개요/소개 토큰화는 자연어 처리(NLP) 및 데이터 분석에서 텍스트를 의미 있는 단위로 나누는 기초적인 프로세스입니다. 이 과정은 텍스트를 컴퓨터가 이해할 수 있는 형태로 변환하는 데 필수적이며, 이후 모델 학습, 검색 엔진 구축, 데이터 분석 등 다양한 응용에 활용됩니다. 토큰화는 단어, 문장, 문자 등으로 나뉘며, 각 …