자연어처리 - 벡터로 표현하기

자연어처리의 핵심은 어떻게 text를 숫자의 조합으로 표현할 것인가 하는 문제이다.

가장 먼저 생각할 것은 텍스트를 어떤 단위로 쪼갤 것인가 하는 문제이다.
우선 텍스트의 사이즈를 생각해 보자

우선 큰 것에서 작은 것 부터 순서대로 나열해 보면

문서 - 문단 - 문장 - 단어 - 형태소

문서 단위로 쪼개기는 자연어 처리에서는 범위가 너무 크다.
분석하는 구문에 따라 달라지겠지만 단어 또는 형태소 단위로 잘라 내는 것이 보통 많이 쓰인다.

여기서 한 가지 짚고 넘어갈 것이 -- 어떤 방식으로 분석하는가에 대한 일반적인 법칙은 없다.
원하는 목적에 가장 적합한 방법을 찾는 것이 좋다. 한 쪽에 맞는 것이 다른 쪽에도 맞으리라는 보장은 없는 것이다.

또한 꼭 정해진 방식대로 자르는 것만이 능사는 아니다.

예를 들어 띄어쓰기 대로 자른 다던지 각 어절의 앞 3글자만 뽑아서 잘라 본다든지 해도 좋다.
앞 3글자만 자르는 '무식한' 방법도 의외로 정확한 결과를 가져다 준다. (그리고 엄청 효율적이다!)

문 대통령은 “국회는 대통령이 국민의 뜻을 모아 발의한 헌법개정안을 단 한번도 심의조차 하지 않은 채 국민투표 자체를 하지 못하게 했다”며 “이로써 이번 지방선거 때 개헌을 하겠다고 국민께 다짐했던 저의 약속을 지킬 수 없게 되었다”고 말했다.

문 대통령 국회는 대통령 국민의 뜻을 모아 발의한 헌법개 단 한번도 심의조 하지않 채 국민투 자체를 하지 못하게 했다 이로써 이번 지방선 때 개헌을 하겠다 국민께 다짐했 저의 약속을 지킬 수 없게 되었다 말했다

위 문장을 각 띄어쓰기 단위로 앞 3글자씩만 떼어 놓은 것인데 의외로 읽을만 하다. 문장이 길다면 이렇게 해도 문장의 의미를 파악하기에 어려움이 없을 것이다.
"헌법개정안" 이 "헌법개", "국민투표"가 "국민투"로 잘려서 인간이 읽기 어려운 점이 발생할 지 모르지만, 컴퓨터의 입장에서는 "헌법개", "국민투" 라는 새로운 단어를 학습하는 것이니까 "헌법개정안"으로 학습하든 "헌법개"로 학습하든 정확도는 전혀 변하지 않는다. 오히려 컴퓨팅이 더 효율적이 되어 더 좋다.