https://ratsgo.github.io/from%20frequency%20to%20semantics/2017/03/30/word2vec/

Word2Vec에 대해서 자세히 알려주는 글입니다. 학습방식에 따라 CBOW와 Skip-gram이 있는데, 여기서는 후자를 기준으로 설명하고 있습니다.

Skip-gram은 중심단어로 주변단어를 예측하도록 학습합니다. 우선 위키피디아 같은 코퍼스에서 특정 윈도우(중심단어에서 왼쪽, 오른쪽 범위) 만큼 입력과 출력 단어를 뽑아냅니다.

나는 너를 너무 사랑해 정말로 (중심단어:너무, 윈도우:2)
-> (너무, 나는)
-> (너무, 너를)
-> (너무, 사랑해)
-> (너무, 정말로)

이렇게 학습 데이터를 만들고 트레이닝을 하면 비슷한 의미를 가진 단어들은 가중치의 값이 유사하게 수렴합니다. 문맥을 통해서 단어들의 의미를 파악한다고 볼 수 있습니다.

그런데 문제는 단어의 개수가 많을 수록 학습시간이 오래 걸린다는 점입니다. 입력과 출력이 one-hot 인코딩이기 때문에 단어의 수만큼 가중치 연결이 늘어납니다.

이를 해결하기 위한 첫 번째 방법은 subsampling입니다. 자주 나오는 단어일수록 높은 확률로 학습에서 제외시킵니다. 두 번째는 negative sampling으로 정답인 positive 샘플 하나와 정답이 아닌 negative 샘플 몇 십개만 뽑아서 선택적으로 가중치를 업데이트 합니다.