TIL
  • Main
  • TIL : ML
    • AI News
      • AI-powered coding, free of charge with Colab
    • Paper
      • Retrieval-augmented generation for knowledge-intensive nlp tasks
        • reference 정리
      • Sequence to Sequence
    • Generative AI
      • LLM
        • 기본 개념
    • Boostcamp
      • Daily Report
        • 2021
          • 09
            • week4
            • week5
          • 10
            • week1
            • week2
            • week3
            • week4
          • 11
            • week1
            • week2
            • week3
            • week4
            • week5
          • 12
            • week1
            • week2
            • week3
      • Final Project
        • 프로젝트 기획
          • 🌟최종 프로젝트 기획
          • 최종 프로젝트 Version
          • 아이디어 수집
          • 욕설, 혐오발언 감지
          • 라이브 커머스 레포팅 프로젝트
        • 프로젝트 진행
          • week1
          • week2
          • week3
      • Competition
        • 1. [NLP] 문장 내 개체간 관계 추출
          • Day1 (9.27, 월)
          • Day2-3 (9.28~29, 화~수)
          • Day4 (9.30, 목)
          • Day5 (10.1, 금)
          • Day6~7 (10.2~3, 토~일)
          • Day8 (10.4, 월)
          • Day9 (10.5, 화)
          • Day10 (10.6, 수)
          • Day 11 (10.7 목)
        • 2. [NLP] MRC 프로젝트
          • Day1 (10.25, 월)
          • Day2 (10.26, 화)
          • Day3 (10.27, 수)
          • Day4-5 (10.28-29, 목-금)
          • Day6 (11.1, 월)
          • Day7 (11.2, 화)
          • Day8 (11.3, 수)
          • Day9 (11.4, 목)
        • 🔨3. [NLP] 데이터 제작
          • Day1
        • 🔨4. [공통] 모델 경량화
      • [U Stage] - DL basic
        • (01강) 딥러닝 기본 용어 설명 - Historical Review
        • (02강) 뉴럴 네트워크 - MLP (Multi-Layer Perceptron)
        • (03강) Optimization
        • 🔨(04강) Convolution은 무엇인가?
        • 🔨(05강) Modern CNN - 1x1 convolution의 중요성
        • 🔨(06강) Computer Vision Applications
        • (07강) Sequential Models - RNN
        • (08강) Sequential Models - Transformer
        • Page 2
      • [U Stage] - PyTorch
        • (01강) Introduction to PyTorch
        • (02강) PyTorch Basics
        • (03강) PyTorch 프로젝트 구조 이해하기
        • (04강) AutoGrad & Optimizer
        • (05강) Dataset & Dataloader
        • (06강) 모델 불러오기
        • (07강) Monitoring tools for PyTorch
        • (08강) Multi-GPU 학습
        • (09강) Hyperparameter Tuning
        • (10강) PyTorch Troubleshooting
      • [U Stage] - NLP
        • (01강) Introduction to NLP, Bag-of-Words
        • (02강) Word Embedding
        • (03강) Recurrent Neural Network and Language Modeling
        • (04강) LSTM and GRU
        • (05강) Sequence to Sequence with Attention
        • (06강) Beam Search and BLEU score
        • (07-08강) Transformer
        • (09강) Self-supervised Pre-training Models
      • [P Stage] - KLUE
        • (1강) 인공지능과 자연어 처리
        • (2강) 자연어의 전처리
        • (3강) BERT 언어모델 소개
        • (4강) 한국어 BERT 언어 모델 학습
        • (5강) BERT 기반 단일 문장 분류 모델 학습
        • (6강) BERT 기반 두 문장 관계 분류 모델 학습
        • (7강) BERT 언어모델 기반의 문장 토큰 분류
        • 오피스아워 (9.30, 목)
        • (8강) GPT 언어 모델
        • (9강) GPT 언어모델 기반의 자연어 생성
        • (10강) 최신 자연어처리 연구
      • [P Stage] - MRC
        • Before Study
        • (1강) MRC Intro & Python Basics
        • (2강) Extraction-based MRC
        • (3강) Generation-based MRC
        • (4강) Passage Retrieval - Sparse Embedding
        • (5강) Passage Retrieval - Dense Embedding
        • 오피스아워
        • (6강) Scaling up with FAISS
        • (7강) Linking MRC and Retrieval
        • (8강) Reducing Training Bias
        • (9강) Closed-book QA with T5
        • (10강) QA with Phrase Retrieval
        • 마스터클래스
      • [P Stage] - 데이터제작(NLP)
        • (1강) 데이터 제작의 A to Z
        • (2강) 자연어처리 데이터 기초
        • (3강) 자연어처리 데이터 소개 1
        • (4강) 자연어처리 데이터 소개 2
        • (5강) 원시 데이터의 수집과 가공
        • 오피스아워 (11.10, 수)
        • (6강) 데이터 구축 작업 설계
        • (7강) 데이터 구축 가이드라인 작성 기초
        • (8강) 관계 추출 과제의 이해
        • (9강) 관계 추출 관련 논문 읽기
        • (10강) 관계 추출 데이터 구축 실습
      • [P Stage] - 모델 최적화
        • (1강) 최적화 소개 및 강의 개요
        • (2강) 대회 및 데이터셋 소개
        • (3강) 작은 모델, 좋은 파라미터 찾기: AutoML 이론
        • 🔨(4강) 작은 모델, 좋은 파라미터 찾기: AutoML 실습
        • (5강) 작은 모델, 좋은 파라미터 찾기: Data Augmentation & AutoML 결과 분석
        • 🔨오피스아워 -Baseline 코드에 모듈 작성하기(신종선 멘토님)
      • [P Stage] - Product Serving
        • Part 1: Product Serving 개론
          • 1.1 강의 진행 방식
          • 1.2 MLOps 개론
          • 1.3 Model Serving
          • 1.4 머신러닝 프로젝트 라이프 사이클
        • Part 2: 프로토타입부터 점진적으로 개선하기
          • 2.1 프로토타이핑 - Notebook 베이스(Voila)
          • 2.2 프로토타이핑 - 웹 서비스 형태(Streamlit)
          • 2.3 Linux & Shell Command
          • 2.4 Cloud
          • 2.5 Github Action을 활용한 CI/CD
        • Part 3: 더 완성화된 제품으로
          • 3.1.1 FastAPI
          • 3.1.2 Fast API
          • 3.1.3 Fast API
          • 3.2 Docker
          • 3.3 Logging
          • 3.4 MLFlow
        • Part 4: 심화 소재
          • 4.1 BentoML
          • 4.2 Airflow
          • 4.3 머신러닝 디자인 패턴
          • 4.4 앞으로 더 공부하면 좋을 내용
      • 특강
        • (특강) 김상훈 - 캐글 그랜드마스터의 노하우 대방출
        • (특강) 이활석 - 서비스 향 AI 모델 개발하기
        • (특강) 구종만 - AI + ML과 Quant Trading
        • (특강) 문지형 - 내가 만든 AI 모델은 합법일까, 불법일까
        • (특강) 이준엽 - Full Stack ML Engineer
        • (특강) 박은정 - AI 시대의 커리어 빌딩
        • (특강) 오혜연 - AI Ethics
    • Competition
      • (DACON)한국어 문장 관계 분류 경진대회
        • Day1(2.14, 월)
        • Day2(2.15, 화)
        • Day3(2.16, 수)
        • Day4(2.17, 목)
      • 2021 인공지능 데이터 활용 경진대회
        • 역량평가
          • Day1 (9.28, 화)
          • Day2 (9.29, 수)
          • Day3 (9.30, 목)
        • 예선
          • Data 분석
          • NSML
          • What We Have Done?
    • ETC
      • 인터뷰 대비
        • Computer Science
        • ML/DL
      • Poetry로 dependency 관리
        • window에서 설치하기
      • code block
      • 공부할 것 임시보관
      • Transformer to T5
      • Hugging Face Tutorial
        • Ch1. Transformer models
        • Ch2. Using Transformers
        • Ch3. Fine-tuning a model with the Trainer API
      • KLUE
      • Pandas
  • TIL : Ops
    • AWS
      • SageMaker
  • TIL : Computer (CS)
    • Error
      • TextEncodeInput must be Union[TextInputSequence, Tuple[InputSequence, InputSequence]]
    • Algorithm
      • Theory
      • Programmers
        • 기능개발
    • ETC
      • Github 커밋 히스토리 삭제
Powered by GitBook
On this page
  • 1. Introduction to Passage Retrieval
  • 1.1. Passage Retrieval
  • 1.2. Passage Retrieval with MRC
  • 1.3. Overview
  • 2. Passage Embedding and Sparse Embedding
  • 2.1. passage embedding space
  • 2.2. 🌟Sparse Embedding
  • 2.3. Sparse Embedding 특징
  • 3. TF-IDF
  • 3.1. TF-IDF (Term Frequency - Inverse Document Frequency)
  • 3.2. TF (Term Frequency)
  • 3.3. IDF (Inverse Document Frequency)
  • 3.4. Combine TF & IDF
  • 3.5. TF-IDF 계산하기
  • 3.6. BM25란
  • 실습 Link

Was this helpful?

  1. TIL : ML
  2. Boostcamp
  3. [P Stage] - MRC

(4강) Passage Retrieval - Sparse Embedding

Previous(3강) Generation-based MRCNext(5강) Passage Retrieval - Dense Embedding

Last updated 3 years ago

Was this helpful?

  • 단어기반 문서 검색

  • 문서 검색이란 어떤 문제인지에 대해 알아보고 문서를 검색하는 방법

  • 검색을 위해 문서를 embedding 형태로 변환해주는 passage embedding 소개

  • sparse embedding, TF-IDF 에 대해 소개

[Reference + Further Reading]

  • ⇒ text feature extractor 부분 참고

1. Introduction to Passage Retrieval

1.1. Passage Retrieval

질문(Query)에 맞는 문서(Passage)를 찾는 것.

1.2. Passage Retrieval with MRC

  • open-domain Question Answering: 대규모의 문서중에서 질문에 대한 답을 찾는 Task

    • 질문에 대한 문서를 찾는 passage retrieval

    • 질문에 대한 답을 찾는 MRC

1.3. Overview

Query와 Passage를 임베딩한 뒤 유사도로 랭킹을 매기고, 유사도가 가장 높은 Passage를 선택

  • Passage에 대한 임베딩은 미리 만들어 두게 되고, 실시간으로 Query에 대한 임베딩을 통해 유사도를 측정한다.

2. Passage Embedding and Sparse Embedding

2.1. passage embedding space

  • passage embedding의 벡터공간

  • 벡터화 된 passage를 이용하여 passage간의 유사도 등을 알고리즘으로 계산할 수 있

2.2. 🌟Sparse Embedding

BoW (Bag-of-Words)

  • BoW를 구성하는 방법 -> n-gram

    • unigram(1-gram): It was the best of times => It, was, the, best, of, times

    • bigram(2-gram): It was the best of times => It was, was the, the best, best of, of times

  • Term value 를 결정하는 방법

    • Term이 document에 등장하는지(binary)

    • Term이 몇번 등장하는지 (term frequency), 등. (e.g. TF-IDF)

2.3. Sparse Embedding 특징

  • Dimension of embedding vector -> number of terms

    • 등장하는 단어가 많아질수록 증가

    • N-gram의 n이 커질수록 증가 (최대 n제곱개만큼 커질 수 있음)

  • Term overlap을 정확하게 잡아 내야 할 때 유용하다.

    • 실제로 그 단어가 문장에 포함되어있는지를 체크하기에 좋음

  • 반면, 의미(semantic)가 비슷하지만 다른 단어인 경우 비교가 불가

3. TF-IDF

3.1. TF-IDF (Term Frequency - Inverse Document Frequency)

  • Term Frequency (TF): 단어의 등장 빈도

  • Inverse Document Frequency (IDF): 단어가 제공하는 정보의 양

  • ex) It was the best of times

    • it, was, the, of : 자주 등장하지만 제공하는 정보량이 적음

    • best, times: 더 많은 정보를 제공

3.2. TF (Term Frequency)

해당 문서 내 단어의 등장 빈도

  • Raw count

  • Adjusted for doc length: raw count / num words (TF)

  • Other variants: binary, log normalization

3.3. IDF (Inverse Document Frequency)

단어가 제공하는 정보의 양

IDF(t)=log(NDF(t))IDF(t) = log(\frac{N}{DF(t)})IDF(t)=log(DF(t)N​)​

  • DF(document frequency) = Term t가 등장한 document의 개수

    • the 같은 term은 모든 문서에 나타날 것이다. -> log1 = 0

  • N: 총 Document의 갯수

3.4. Combine TF & IDF

TF-IDF(t, d): TF-IDF for term t in document d

TF(t,d)×IDF(t)TF(t, d) \times IDF(t)TF(t,d)×IDF(t)​

  • a, the 등의 관사는 위 3.3) 에서 본 것과 같이 DF의 값이 0에 가까워 TF-IDF 값이 작다.

  • 자주 등장하지 않는 고유명사(사람이름, 지명)는 IDF값이 커지면서 전체적인 TF-IDF의 값이 증가한다.

위 두 가정은 많은 수의 document를 가질 때 일반적으로 나타나는 현상으로 봐야한다.

3.5. TF-IDF 계산하기

3.6. BM25란

  • TF-IDF 의 개념을 바탕으로, 문서의 길이까지 고려하여 점수를 매김

    • TF 값에 한계를 두어 일정한 범위를 유지하도록 둠

    • 평균적인 문서의 길이보다 더 은 문서에서 단어가 매칭된 경우 그 문서에 대해 가중치를 부여

    • 실제 검색엔진, 추천 시스템 등에서 아직까지도 많이 사용되는 알고리즘

실습 Link

, 내적 곱 같은 탐색법을 사용한다.

nearest neighbor
Pyserini BM25 MSmarco documnet retrieval 코드
Sklearn feature extractor
MRC Practice 4 - TF-IDF Passage Retrieval.ipynbGoogle Docs
Logo