[備忘録] テキスト埋め込み入門：自然言語処理の基礎とベクトル表現の考え方

Posted at 2025-04-09

1. テキスト処理の課題と埋め込みの重要性

コンピュータは数値しか理解できません。私たちが日常的に使う「猫」「犬」といった言葉は、そのままではコンピュータが処理できません。このギャップを埋めるために、テキストを「数値ベクトル」に変換する必要があります。これを「テキスト埋め込み」と呼びます。

テキストを数値ベクトルに変換すると、以下のことが可能になります：

簡単に言えば、人間の言葉をコンピュータが理解できる形に翻訳するための技術です。

単語を数値に変える最も簡単な方法は、各単語に番号を振ることです。例えば：

しかし、この方法では問題があります。コンピュータは数値の大小関係に意味を見出してしまうため、「犬」が「猫」の2倍の意味を持つと誤解します。例えば、'犬'に2、'猫'に1という番号を振ると、数値の大小で意味に優劣があると誤解される恐れがありますが、これは単なる便宜上の番号付けにすぎません。

この問題を解決する一つの方法が「One-hot エンコーディング」です。これは、語彙数と同じ長さのベクトルを用意し、該当する単語の位置だけ1、他はすべて0にする方法です。

例えば、語彙が["猫", "犬", "家"]の場合：

これなら数値の大小関係に意味はなくなります。しかし、新たな問題が生じます：

次元の爆発：語彙が増えるとベクトルの長さも増加します。日本語の語彙は数万〜数十万あるため、非常に長いベクトルになります。
意味の関係を表現できない：「猫」と「犬」は動物という共通点がありますが、One-hotベクトルではその関係性を表現できません。すべての単語が等距離に配置されます。
未知語に対応できない：事前に知らない単語が出てきた場合、表現できません。

分散表現は、単語の意味を数百次元程度の密なベクトルで表現する方法です。このベクトルの各次元は明確な意味を持ちませんが、単語の意味的特徴を複数の次元に「分散」して表します。

重要なのは、意味的に似ている単語は似たベクトルになるという性質です。

「似た文脈に現れる単語は似た意味を持つ」という言語学的仮説に基づき、大量のテキストから統計的に学習します。代表的な手法は「Word2Vec」です：

例えば、「犬は〇〇を食べる」「猫は〇〇を食べる」のように似た文脈に現れる単語は、似たベクトルになります。

コンパクト：語彙数に関わらず、ベクトルの次元数は固定（通常100〜300次元程度）
意味関係の表現：意味的に近い単語は、ベクトル空間でも近くに配置されます
- 「犬」と「猫」のベクトルは近くなる
- 「銀行」と「金融」のベクトルは近くなる
ベクトル演算で関係性を表現：有名な例として
- 「王様 - 男性 + 女性 ≈ 女王」
- つまり、ベクトル演算で意味的な関係を表現できます
未知語への対応：部分単語レベルの情報を活用することで、学習時に見たことのない単語にも対応できる手法もあります

単語レベルの埋め込みから、文や段落レベルの埋め込みへと発展してきました：

テキスト埋め込みの本質は、「人間の言葉の意味や関係性を、コンピュータが理解できる数値ベクトルで表現する」ことです。

良い埋め込みほど、似た意味の単語が似たベクトルとなり、自然言語処理タスクの性能向上につながります。テキスト埋め込みは、自然言語処理の基盤となる重要な技術なのです。