임베딩 벡터 - 10. 정리 및 참고자료

 

📘 10. 정리 및 참고자료

---

🔹 10.1 핵심 개념 요약

핵심 개념	요약 설명
임베딩 벡터	텍스트, 이미지, 사용자 데이터 등을 의미 기반 수치 벡터로 변환한 표현
임베딩의 목적	의미 보존, 유사성 계산, 기계 학습 입력으로 활용
임베딩 방식	수작업 기반, 통계 기반(TF-IDF), 신경망 기반 (Word2Vec, BERT 등)
임베딩 활용	검색, 추천, 문장 분류, 질의응답, 시각화 등
임베딩 품질 평가	유사도 기반, 다운스트림 태스크, 다국어/멀티모달 테스트
주의사항	차원 수, 편향 문제, 과적합, 전처리 일관성, 리소스 최적화 필요

---

🔹 10.2 참고 논문 및 공식 링크

📄 주요 논문

• Word2Vec – Mikolov et al., 2013
  Efficient Estimation of Word Representations in Vector Space
• GloVe – Pennington et al., 2014
  GloVe: Global Vectors for Word Representation
• FastText – Bojanowski et al., 2017
  Enriching Word Vectors with Subword Information
• BERT – Devlin et al., 2018
  BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
• SimCSE – Gao et al., 2021
  SimCSE: Simple Contrastive Learning of Sentence Embeddings

---

🔗 공식 도구/API 링크

• Hugging Face Transformers
  https://huggingface.co/transformers/
• Sentence-Transformers
  https://www.sbert.net/
• OpenAI Embedding API
  https://platform.openai.com/docs/guides/embeddings
• FAISS (Facebook AI)
  https://github.com/facebookresearch/faiss
• Pinecone (벡터 DB)
  https://www.pinecone.io/