벡터와 프리그룹으로 풀어낸 의미 조합론

이 논문은 의미론 연구에서 오래된 두 파라다임, 즉 기호론적(형식) 의미론과 분포적(통계) 의미론을 하나의 수학적 틀 안에 통합하려는 시도를 상세히 전개한다. 기호론적 접근은 의미를 조합 가능한 형식 규칙에 따라 정의하지만, 의미 자체는 정성적이며 실제 사용 빈도와는 무관하다. 반면 분포적 접근은 대규모 코퍼스로부터 단어 간 동시 출현 빈도를 벡터화하여 의미를 정량화하지만, 문장 수준에서의 조합 규칙을 제공하지 못한다. 저자들은 이 두 접근의 장점을 결합하기 위해 ‘벡터 공간 모델’과 ‘프리그룹’이라는 두 수학적 구조를 선택한다. 먼저, 단어 의미를 고차원 의미 공간의 벡터로 표현한다. 각 차원은 특정 문맥(예: 동사, 명사, 형용사 등)이며, 단어는 해당 문맥에서의 출현 횟수 혹은 가중치를 좌표값으로 갖는다. 이렇게 얻어진 벡터는 내적을 통해 의미적 유사성을 측정할 수 있다. 다음으로, 문법 구조를 람벡이 제안한 프리그룹(Pregroup)으로 모델링한다. 프리그룹은 기본 타입(예: n=명사, s=문장, j=동사원형 등)과 그 좌·우 adjoint를 이용해 문장의 타입을 형식화한다. 예를 들어 “John likes Mary”는 n·(n^r·s·n^l)·n 형태의 타입을 갖고, 프리그룹의 소거 규칙을 적용하면 최종적으로 s 타입으로 축소된다. 이 과정은 그래프 형태의 ‘축소 다이어그램’으로 시각화되며, 전통적인 트리 구조와 달리 1차원 선형 배치를 사용한다. 핵심 아이디어는 이 두 구조를 ‘컴팩트 폐쇄 범주’라는 공통된 범주론적 틀 안에 끌어들이는 것이다. 벡터 공간과 선형 사상, 그리고 텐서곱은 이미 컴팩트 폐쇄 범주의 한 예이며, 프리그룹 역시 같은 범주의 포지티브(순서) 인스턴스로 볼 수 있다. 따라서 프리그룹의 타입 축소를 범주의 사상(morphism)으로 ‘리프트’하고, 각 단어를 의미 벡터와 타입을 쌍(pair)으로 표현한다. 문장의 의미는 모든 단어의 텐서곱 ⊗(V₁⊗…⊗Vₙ) 위에 프리그룹 축소 사상을 적용한 결과물로, 고정된 의미 공간 S에 사상된다. 이때 의미 공간 S는 모든 문장이 공유하는 벡터 공간이며, 따라서 서로 다른 문장의 의미를 직접 내적 ⟨s|t⟩으로 비교할 수 있다. 이 접근법의 장점은 다음과 같다. 첫째, 의미와 문법을 별도의 차원으로 나누지 않고, 하나의 수학적 연산 체계 안에서 동시에 처리한다. 둘째, 문법 구조가 다르더라도 의미가 동일한 공간에 매핑되므로, 문법적 차이를 넘어 의미적 유사성을 정량화할 수 있다. 셋째, 컴팩트 폐쇄 범주의 다이어그램 언어를 사용하면 의미 흐름을 시각적으로 파악할 수 있다. 예를 들어, ‘컵(cup)’과 ‘캡(cap)’ 구조는 단어 간 의미 연결을 나타내며, 이는 양자 정보 이론에서 얽힘을 표현하는 방식과 동일하다. 또한, 스칼라를 불(Boolean) 반정역 {0,1} 로 제한하면 의미 벡터가 0·1 값만을 갖게 되고, 이는 전통적인 Montague 의미론의 진리값 논리와 동형이 된다. 스칼라를 자연수(N) 혹은 유리수(Q) 로 확장하면 의미의 정도나 확률적 해석도 가능해진다. 논문은 이러한 확장 가능성을 제시하면서, 현재는 순수한 수학적 틀만을 구축하고 실제 구현은 향후 연구 과제로 남긴다. 결론적으로, 저자들은 의미론 연구에 있어 형식적 타이핑과 통계적 의미 표현을 동시에 만족하는 새로운 수학적 모델을 제시한다. 이 모델은 컴팩트 폐쇄 범주의 풍부한 구조를 활용해 의미 조합을 직관적인 그래픽 언어로 표현하고, 문장의 의미를 단일 벡터 공간에 매핑함으로써 의미 비교와 추론을 가능하게 한다. 향후 작업으로는 실제 코퍼스 기반 벡터 구축, 효율적인 텐서 연산 구현, 그리고 다양한 언어에 대한 실험적 검증이 제시된다.