---
id: P-REINFORCE-AUTO-WORE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [auto-reinforced, word-representation, embeddings, nlp, vector-space, semantics]
last_reinforced: 2026-04-20
---

# [[Word-Representation]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "단어에 주소를 부여하기: 단순한 기호였던 단어를 수천 차원의 공간 속 좌표(Vector)로 변환하여, 단어 사이의 거리(의미적 유사성)를 기계가 수학적으로 계산하게 만드는 마술."

## 📖 구조화된 지식 (Synthesized Content)
단어 표현(Word-Representation)은 자연어의 기본 단위인 단어를 컴퓨터가 이해하고 연산할 수 있는 수치적 형태로 바꾸는 기술입니다.

1.  **표현 방식의 진화**:
    *   **One-hot Encoding**: 단어 하나만 1이고 나머지는 0인 방식. 단어 간의 관계를 알 수 없고 공간 낭비가 심함.
    *   **Distributed Representation (Embeddings)**: 단어를 저차원의 밀집 벡터로 표현. 비슷한 의미의 단어는 공간상에서 가까운 거리에 위치함.
2.  **핵심 알고리즘**:
    *   **Word2Vec**: 주변 단어와의 인접성을 통해 의미 학습 (예: '왕' - '남' + '여' = '여왕').
    *   **GloVe**: 글로벌 통계 정보와 로컬 문맥 정보를 결합.
    *   **Contextual Word Representations (ELMo, BERT)**: 같은 단어라도 문맥에 따라 다른 벡터를 부여 (예: 먹는 '배' vs 타는 '배').
3.  **의의**:
    *   언어의 '의미(Semantics)'를 기하학적 공간으로 투영함으로써 번역, 분류, 생성 등 모든 NLP 태스크의 기초 신뢰도를 확보함.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 고정된 단어 사전 기반의 매핑 정책이 주류였으나, 현대의 생성 AI 정책은 실시간 문맥에 따라 단어의 의미가 '직선화(Straightening)'되는 동적 표현 정책을 표준으로 채택함(RL Update).
- **정책 변화(RL Update)**: 특정 편향(Bias)이 단어 벡터 공간에 투영되어 혐오를 조장하는 부작용을 막기 위해, 학습 데이터에서 편향된 상관관계를 인위적으로 제거하는 '임베딩 공간 중립화 정책'이 적용 중임.

## 🔗 지식 연결 (Graph)
- NLP (자연어 처리), [[Similarity-Metrics]], [[Straightening]], [[Transformers]], [[Semantics & Ontology]]
- **Modern Tech/Tools**: Word2Vec, GloVe, FastText, Hugging Face Tokenizers.
---