19.06.08
본 글은 https://wikidocs.net/book/2155을 참고하여 작성되었음을 밝힙니다.
학습키워드
- N-gram LM
N-gram Language Model
n-gram 언어 모델은 여전히 카운트에 기반한 통계적 접근을 사용하고 있으므로 SLM의 일종이다. 다만, 앞서 배운 언어 모델과는 달리 이전에 등장한 모든 단어를 고려하는 것이 아니라 일부 단어만 고려하는 접근 방법을 사용한다. 그리고 이때 일부 단어를 몇 개 보느냐를 결정해야하는데 이것이 n-gram에서의 n이 가지는 의미이다.
1. 코퍼스에서 카운트하지 못하는 경우의 감소
SLM의 한계는 훈련 코퍼스에 확률을 계산하고 싶은 문장이나 단어가 없을 수 있다는 점이다. 그리고 확률을 계산하고 싶은 문장이 길어질수록 갖고 있는 코퍼스에서 그 문장이 존재하지 않을 가능성이 높다. 다시 말하면 카운트할 수 없을 가능성이 높다. 그런데 마르코프의 가정을 사용하면 카운트를 할 수 있을 가능성을 높일 수 있다.
가령, An adorable little boy가 나왔을 때 is가 나올 확률을 그냥 boy가 나왔을 때 is가 나올 확률로 생각해보는 건 어떨까? 갖고 있는 코퍼스에 An adorable little boy is가 있을 가능성 보다는 boy is라는 더 짧은 워드 시퀀스(word sequence)가 코퍼스에 있을 가능성이 더 높다.
조금 지나친 일반화로 느껴지다면 아래와 같이 little boy가 나왔을 때 is가 나올 확률로 생각하는 것도 대안이다.
즉, 앞에서는 An adorable little boy가 나왔을 때 is가 나올 확률을 구하기 위해서는 An adorable little boy가 나온 횟수와 An adorable little boy is가 나온 횟수를 카운트해야만 했지만, 이제는 단어의 확률을 구하고자 기준 단어의 앞 단어를 전부 포함해서 세지말고, 앞 단어 중 임의의 개수만 포함해서 세보자는 것이다. 이렇게 하면 갖고 있는 코퍼스에서도 해당 단어의 나열을 카운트할 확률이 높아진다.
2. N-gram
이 때 임의의 개수를 정하기 위한 기준을 위해 사용하는 것이 n-gram이다. n-gram은 n개의 연속적인 단어 나열을 의미한다. 갖고 있는 코퍼스에서 n개의 단어 뭉치 단위로 끊어서 이를 하나의 토큰으로 간주한다. 예를 들어 문장 An adorable little boy is spreading smiles가 있을 때, 각 n에 대해서 n-gram을 전부 구하며 다음과 같다.
unigrams : an, adorable, little, boy, is, spreading, smiles
bigrams : an adorable, adorable little, little boy, boy is, is spreading, spreading smiles
trigrams : an adorable little, adorable little boy, little boy is, boy is spreading, is spreading smiles
4-grams : an adorable little boy, adorable little boy is, little boy is spreading, boy is spreading smiles
n-gram을 사용할 때는 n이 1일 때는 유니그램(unigram), 2일 때는 바이그램(bigram), 3일 때는 트라이그램(trigram)이라고 명명하고 n이 4이상일 때는 gram 앞에 그대로 숫자를 붙여서 명명한다. 이제 n-gram을 이용한 언어 모델을 설계해보자.
n-gram을 통한 언어 모델에서는 다음에 나올 단어의 예측은 오직 n-1개의 단어에만 의존한다. 예를 들어 ‘An adorable little boy is spreading’ 다음에 나올 단어를 예측하고 싶다고 할 때, n=4라고 한 4-gram을 이용한 언어 모델을 사용한다고 하자. 이 경우, spreading 다음에 올 단어를 예측하는 것은 n-1에 해당되는 앞의 3개의 단어만을 고려한다.
만약 갖고 있는 코퍼스에서 boy is spreading이 1,000번 등장했다고 하자. 그리고 boy is spreading insults가 500번 등장했으며, boy is spreading smiles가 200번 등장했다고 하자. 그렇게 되면 boy is spreading 다음에 insults가 등장할 확률은 50%이며, smiles가 등장할 확률은 20%이다. 확률적 선택에 따라 우리는 insults가 더 맞다고 판단하게 된다.
P(insults|boy is spreading) = 0.500
P(smiles|boy is spreading) = 0.200
3. N-gram Language Model의 한계
앞서 4-gram을 통한 언어 모델의 동작 방식을 확인했다. 그런데 조금 의문이 남는다. 앞서 본 4-gram 언어 모델은 주어진 문장에서 앞에 있던 단어인 ‘작고 사랑스러운(an adorable little)’이라는 수식어를 제거하고, 반영하지 않았다. 그런데 ‘작고 사랑스러운’ 수식어까지 모두 고려하여 작고 사랑하는 소년이 하는 행동에 대해 다음 단어를 예측하는 언어 모델이었다면 과연 ‘작고 사랑스러운 소년이’ ‘모욕을 퍼트렸다’라는 부정적인 내용이 ‘웃음 지었다’라는 긍정적인 내용 대신 선택되었을까?
이는 RNN의 특징으로 유명한 장기 의존성(long-term dependencies) 문제이다. RNN과 그 원인은 다르지만 n-gram 언어 모델도 결국 장기 의존성 문제를 갖고 있는 것이다. RNN은 뒤에서 배우므로 이 시점에서 RNN이 뭔지 몰라도 된다. 장기 의존성 문제란 문장이 길어질 때 앞의 내용을 제대로 반영하지 못하는 문제점을 말한다. n-gram은 문장 전체를 보는 게 아니므로 장기 의존성 문제를 가지고 있다.
물론 코퍼스 데이터를 어떻게 가정하느냐의 나름이고, 전혀 말이 안 되는 문장은 아니지만 여기서 지적하고 싶은 것은 n-gram은 뒤의 단어 몇 개만 보다 보니 의도하고 싶은 대로 문장을 끝맺음 하지 못하는 경우가 생긴다는 점이다. 문장을 읽다 보면 앞 부분과 뒷 부분의 문맥이 전혀 연결 안 되는 경우도 생길 수 있다. 결론만 말하자면, 전체 문장을 고려한 언어 모델보다 정확도가 떨어질 수 밖에 없다. 이를 토대로 n-gram 모델에 대한 한계점을 정리해보자.
(1) n을 선택하는 것은 trade-off 문제
앞에서 몇 개의 단어를 볼지 임의의 개수를 정하는 것은 trade-off가 존재한다. 임의의 개수인 n을 1보다는 2로 선택하는 것은 거의 대부분의 경우에서 언어 모델의 성능을 높일 수 있다. 가령, spreading만 보는 것보다는 is spreading을 보고 다음 단어를 예측하는 것이 더 정확하기 때문이다. 이 경우 훈련 데이터가 적절한 데이터였다면 언어 모델이 적어도 spreading 다음에 동사를 고르지 않을 것이다.
n을 너무 크게 선택하면 실제 훈련 코퍼스에서 해당 n-gram을 카운트할 수 있는 확률은 적어진다. 즉, n-gram에 대한 OOV(Out Of Vocabulary) 문제가 발생할 수 있다. 또한 n이 커질수록 모델 사이즈는 굉장히 커지게 된다. 기본적으로 이 모델이 작동되려면 코퍼스의 모든 n-gram에 대해서 카운트를 해야하기 때문이다.
n을 너무 작게 선택하면 훈련 코퍼스에서 카운트는 잘 되겠지만 근사의 정확도는 점점 실제의 확률분포와 멀어진다. 그렇기 때문에 적절한 개수를 선택해야 한다. 앞서 언급한 trade-off문제로 인해 정확도를 높이려면 n은 최대 5를 넘게 잡아서는 안 된다고 권장되고 있다.
n이 성능에 영향을 주는 것을 확인할 수 있는 유명한 예제 하나를 보자. 스탠퍼드 대학교의 공유 자료에 따르면, 월스트리트 저널에서 3,800만 개의 단어 토큰에 대하여 n-gram 언어 모델을 학습하고, 1,500만 개의 테스트 데이터에서 테스트를 했을 때 다음과 같은 성능이 나왔다고 한다. 뒤에서 배우겠지만, 펄플렉서티(Perplexity)는 수치가 낮을 수록 더 좋은 성능을 나타낸다.
위의 결과는 n을 1에서 2, 2에서 3으로 올릴 때마다 성능이 올라가는 것을 보여준다.
(2) 카운트 했을 때 0이 되는 문제(zero count problem)
문장에 존재하는 앞에 나온 단어를 모두 보는 것은 현실적으로 코퍼스에서 카운트 할 수 있는 확률이 적기 때문에, n-gram 언어 모델을 사용한다고 언급했다. 하지만, n-gram 언어 모델도 여전히 n-gram에 대한 OOV 문제가 존재한다. 결국 n-gram 언어 모델도, 확률이 0이 되는 또는 확률 자체를 계산할 수 없는 문제를 완전히 피할 수 없다.
4. 적용 분야(Domain)에 맞는 코퍼스의 수집
어떤 분야인지, 어떤 어플리케이션인지에 따라서 특정 단어들의 확률 분포는 당연히 다르다. 가령, 마케팅 분야에서는 마케팅 단어가 빈번하게 등장할 것이고, 의료 분야에서는 의료 관련 단어가 당연히 빈번하게 등장한다. 이 경우 언어 모델에 사용하는 코퍼스를 해당 모데인의 코퍼스를 사용한다면 당연히 언어 모델이 제대로 된 언어 생성을 할 가능성이 높아진다.
때로는 이를 언어 모델의 약점이라고 하는 경우도 있는데, 훈련에 사용된 도메인 코퍼스가 무엇이냐에 따라서 성능이 비약적으로 달라지기 때문이다.
5. 인공 신경망을 이용한 언어 모델(Neural Network Based Language Model)
여기서는 다루지 않겠지만, N-gram Language Model의 한계점을 극복하기 위해 분모, 분자에 숫자를 더해서 카운트했을 때 0이 되는 것을 방지하는 등의 여러 일반화(generalization) 방법들이 존재한다. 하지만 그럼에도 본질적으로 n-gram 언어 모델에 대한 취약점을 완전히 해결하지는 못하였고, 이를 위한 대안으로 N-gram Language Model 보다 대체적으로 성능이 우수한 인공 신경망을 이용한 언어 모델이 많이 사용되고 있다. 인공 신경망을 이용한 언어 모델은 RNN이나 seq2seq 등 딥러닝 챕터에서 다루게 될 예정이다.
