[NLP] Similarity, 문서 유사도 측정

검색 엔진, 추천시스템 등 굉장히 다양한 분야의 데이터에서 문서 유사도 개념은 중요하다.

하지만 컴퓨터는 자연어, 즉 텍스트 데이터를 이해하지 못한다.

때문에 벡터 표현으로 변형된 데이터를 컴퓨터가 인식하게 되는데 이 때 우리는 이 벡터 표현을 가지고 유사도를 측정할 수 있다.

어떤 방법으로 어떻게 측정할 수 있는지 이제 한 번 알아보자.

 

Document Term Matrix (DTM)

다음 예시와 같이 문서 4개가 있을 때 각 단어가 몇 개 들어 있는지에 대한 행렬을 나타낼 수 있다.이를 DTM이라고 부른다.

	과일이	길고	노란	먹고	바나나	사과	싶은	저는	좋아요
문서1	0	0	0	1	0	1	1	0	0
문서2	0	0	0	1	1	0	1	0	0
문서3	0	1	1	0	2	0	0	0	0
문서4	1	0	0	0	0	0	0	1	1

 

그리고 이러한 행렬이 있을 때 우리는 유사도를 구할 수 있는데 이번 포스팅에서는 코사인 유사도, 자카드 유사도를 비롯한 여러 유사도 기법을 알아보도록 하겠다.

---

Cosine Similarity

코사인 유사도는 두 벡터 간의 코사인 각도를 이용하여 구할 수 있는 두 벡터의 유사도를 의미한다.

https://thebook.io/080260/0099/

식을 보면 두 벡터의 내적 / 곱으로 계산할 수 있다.

위의 DTM에 기반해 코사인 유사도를 구해보면 아래와 같다.

---

Jaccard Similarity

자카드 유사도는 두 집합의 합집합에서 교집합의 비율을 의미한다.

식을 보면 합집합 / 교집합으로 계산할 수 있다.

위의 DTM에 기반해 자카드 유사도를 구해보면 아래와 같다.

---

그 외 유사도 분석 방법

https://velog.io/@hyesoup/ https://ko.wikipedia.org https://gaussian37.github.io

• 유클리디안 거리
  • 피타고라스와 동일
• 맨하탄 거리
  • 거리의 절댓값을 구하는 개념
• 마할라노비스 거리
  • 가우시안 분포에 따른 거리 개념