1. 서론: 왜 아직도 Word2Vec인가?

2013년 구글이 공개한 Word2Vec은 단순한 기술이 아닙니다. 텍스트를 고차원 실수 벡터로 변환하여 Word-wise Similarity를 수학적으로 증명해 낸 역사적인 사건입니다.

BERT나 GPT 같은 거대 모델(LLM)이 주류인 2025년에도 Word2Vec은 사라지지 않았습니다. 오히려 Edge Device(모바일, IoT)에서의 경량화 추론과 추천 시스템의 Item2Vec 형태로 진화하여 실무의 최전선(Frontline)을 지키고 있습니다.

2. 아키텍처: CBOW vs Skip-gram

3. 구현: Gensim 코드 스니펫

가장 효율적인 라이브러리인 Gensim을 활용한 프로덕션 레벨 코드입니다.

from gensim.models import Word2Vec

# 전처리된 데이터셋 (Tokenized Corpus)
sentences = [["cat", "say", "meow"], ["dog", "say", "woof"]]

# Model Initialization & Training
model = Word2Vec(
    sentences,
    vector_size=100,  # 임베딩 차원 (보통 100~300)
    window=5,         # 문맥 윈도우 크기
    min_count=1,      # 최소 등장 빈도
    sg=1,             # 1: Skip-gram, 0: CBOW
    workers=4         # CPU 코어 수
)

# Inference
vector = model.wv["cat"]
sims = model.wv.most_similar("cat", topn=10)

4. 실무: 하이퍼파라미터 튜닝 가이드