워드 임베딩(word embedding)에 대한 설명으로 옳지 않은 것… | [7급 국가직 인공지능] 25년 1회차 기출문제 상세 페이지
1[7급 국가직 인공지능] 25년 1회차
워드 임베딩(word embedding)에 대한 설명으로 옳지 않은 것은?
1
N-gram은 문자열에서 N개의 연속된 요소이다.
2
원-핫 인코딩(one-hot encoding)은 단어 개수가 많아질수록 벡터를 저장하기 위한 공간이 계속해서 늘어난다는 단점이 있다.
3
TF-IDF는 단어마다 가중치를 부여하여 단어를 벡터로 변환하는 방법으로 TF는 특정 단어가 등장한 문서의 수를 의미한다.
4
워드투벡터(Word2Vec)는 비슷한 컨텍스트에 등장하는 단어들이 유사한 의미를 지닌다는 이론에 기반을 두고 단어를 벡터로 표현해 주는 기법이다.
해설
옳지 않은 것은 TF가 특정 단어가 등장한 문서의 수라는 설명이다. TF는 한 문서 안에서 특정 단어가 등장한 횟수이다.
특정 단어가 등장한 문서의 수는 DF(문서 빈도)이며, IDF는 전체 문서 수를 DF로 나눈 값에 로그를 취해 흔한 단어의 가중치를 낮춘다.
- N-gram은 문자열에서 연속된 N개의 요소(문자·단어) 묶음이다.
- 원-핫 인코딩은 단어 수만큼 차원이 늘어나 저장 공간이 커지고 벡터가 희소해진다.
- Word2Vec은 비슷한 문맥에 나오는 단어는 의미가 비슷하다는 분포 가설에 기반해 단어를 밀집 벡터로 표현한다.
오류나 개정된 내용이 보이면 알려주세요