geumjaelee/embedding

한국어 임베딩 (Sentence Embeddings Using Korean Corpora)

embedding tutorials

본 레파지토리는 자연언어처리의 근간이 되는 각종 임베딩 기법들에 관련한 튜토리얼입니다. 한국어 처리를 염두에 두고 작성됐습니다. 본 레파지토리에 있는 코드를 실행하면 corpus preprocess, embedding, fine-tuning 등을 수행할 수 있습니다. 이 모든 과정을 안내하는 튜토리얼 페이지는 다음과 같습니다.

• http://ratsgo.github.io/embedding

book

본 튜토리얼은 다음 도서를 보완하기 위해 작성됐습니다. 도서를 구매하지 않아도 튜토리얼 수행에 문제는 없으나 일부 내용은 도서를 참고해야 그 맥락을 완전하게 이해할 수 있습니다. 다음 그림을 클릭하면 도서 구매 사이트로 이동합니다.

• 정오표

embedding methods

본 튜토리얼에서 다루는 임베딩 기법은 다음과 같습니다.

• 단어 수준 임베딩
  • Latent Semantic Analysis
  • Word2Vec
  • GloVe
  • FastText
  • Swivel
• 문장 수준 임베딩
  • Weighted Embeddings
  • Latent Semantic Analysis
  • Latent Dirichlet Allocation
  • Doc2Vec
  • Embeddings from Language Models (ELMo)
  • Bidirectional Encoder Representations from Transformer (BERT)

corpus preprocess

임베딩 학습데이터를 만들기 위해서는 전처리(preprocess)를 해야 합니다. 본 튜토리얼에서 다루는 오픈소스 패키지는 다음과 같습니다.

• KoNLPy : http://konlpy.org
• Khaiii : https://github.com/kakao/khaiii
• soynlp : https://github.com/lovit/soynlp
• sentencepiece : https://github.com/google/sentencepiece

embedding fine-tuning

네이버 영화 리뷰 말뭉치(NSMC)를 가지고 임베딩을 파인튜닝하는 방법을 실습합니다. 영화 댓글(문서)를 입력으로 하고 긍/부정 극성(polarity)을 분류하는 태스크를 수행합니다. 본 튜토리얼에서 다루는 임베딩 파인튜닝 기법은 다음과 같습니다.

• 문장 수준 임베딩 활용 : Word2Vec, FastText, Swivel + Bi-LSTM with attention layer
• ELMo 활용 : ELMo layer + Bi-LSTM with attention layer
• BERT 활용 : BERT layer + Fully-connected layer

code

본 레파지토리의 디렉토리 및 코드 구조는 다음과 같습니다.

• docker : 도커 환경 구성을 위한 Dockerfile이 있습니다. CPU, GPU 버전을 구분합니다.
• docs : 튜토리얼 페이지와 관련한 마크다운 문서 등이 있습니다.
• models : 임베딩 기법 관련 핵심 코드가 모여 있습니다.
  • bert : BERT 모델 (저자 original 코드)
  • bilm : ELMo 모델 (저자 original 코드)
  • swivel : Swivel 모델 (저자 original 코드)
  • xlnet : XLNet 모델 (저자 original 코드)
  • sent_eval.py : 문장 임베딩 평가 코드
  • sent_utils.py : 문장 임베딩 학습 관련 유틸
  • train_elmo.py : ELMo 프리트레인 코드 (저자 original 코드, 하이퍼파라미터 일부 수정)
  • tune_utils.py : 임베딩 파인튜닝 관련 유틸
  • visualize_utils.py : 임베딩 시각화 관련 유틸
  • word_eval.py : 단어 임베딩 평가 코드
  • word_utils.py : 단어 임베딩 학습 관련 유틸
• preprocess : 말뭉치 전처리 관련 코드가 모여 있습니다.
  • dump.py : 원시 말뭉치(raw corpus)를 1개 라인(line)이 1개 문서인 순수 텍스트 파일로 변환하는 유틸
  • mecab-user-dic.csv : 은전한닢(mecab) 형태소 분석기의 사용자 사전을 추가하기 위한 입력 파일
  • supervised_nlputils.py : KoNLPy, Khaiii 등 지도학습 기반 형태소 분석기 유틸
  • unsupervised_nlputils.py : soynlp, sentencepiece 등 비지도학습 기반 형태소 분석기 유틸
• preprocess.sh : 말뭉치 전처리 자동화 스크립트 모음
• sentmodel.sh : 문장 수준 임베딩 자동화 스크립트 모음
• wordmodel.sh : 단어 수준 임베딩 자동화 스크립트 모음