단어, 이미지, 그리고 사용자는 모두 동일한 기하학적 세계의 점이 됩니다. 임베딩 공간은 이산적인 객체를 연속적인 벡터로 매핑하여 유사한 항목은 서로 가깝게, 유사하지 않은 항목은 멀리 배치합니다. 거리는 의미를 담고 있습니다.

Word2Vec이나 GloVe 같은 단어 임베딩은 관련 있는 단어들을 서로 가까이 배치합니다. 예를 들어, king과 queen 사이의 벡터 차이는 man과 woman 사이의 차이와 유사합니다. 문장 및 이미지 임베딩은 이러한 개념을 더 큰 단위로 확장합니다.

일반적인 임베딩 사용 사례

• 의미 검색 및 검색
• 추천 시스템
• 클러스터링 및 시각화
• 전이 학습 특징
• 교차 모달 매칭

차원은 수십에서 수천에 이르기까지 다양합니다. 차원이 높을수록 더 미묘한 차이를 포착할 수 있지만 더 많은 데이터와 계산 능력이 필요합니다. 기하학적 구조는 설계하는 것이 아니라 학습하는 것이므로 결과가 유용하더라도 해석이 어려울 수 있습니다.