"うんこ味のカレー" or "カレー味のうんこ"、 意味ベクトルで哲学に決着をつける

「うんこ味のカレー」と「カレー味のうんこ」――
人類が直面する究極の二択に、Google Gemini の埋め込みと PCA でガチで向き合ってみました。

結果を先に言うと：

「カレー味のうんこ」を選ぶべきです。

---

分析の概要

• Gemini APIで各単語・フレーズの意味ベクトルを取得
• cosine 類似度ベースで単語間の意味的な「距離」を算出
• PCAで2次元に圧縮し、散布図として可視化
• 距離値も線で表示

比較対象は以下の4つの単語です：

• カレー
• うんこ
• うんこ味のカレー
• カレー味のうんこ

考察：意味的距離からの選択

距離のポイントはこうです：

比較	cos 距離（小さいほど近い）
カレー vs カレー味のうんこ	0.21
カレー vs うんこ味のカレー	0.25
うんこ vs カレー味のうんこ	0.24
うんこ vs うんこ味のカレー	0.14

• 「カレー味のうんこ」は「うんこ」から遠く、「カレー」に近い。
• 「うんこ味のカレー」は「カレー」からやや遠く、「うんこ」にやや近い。

→ つまり、「カレー味のうんこ」の方が、よりカレー寄りで、うんこ成分が薄いという結論になります。

---

コード（Gemini Embedding + PCA + 距離可視化）

実行環境はGoogle Colabです。

%pip install -q -U "google-genai>=1.0.0"

from google import genai
import matplotlib.pyplot as plt
import japanize_matplotlib
from sklearn.decomposition import PCA
from sklearn.metrics.pairwise import cosine_similarity
from itertools import combinations
import numpy as np

# ===== APIの使用 =====
GEMINI_API_KEY = "自分のキーをつかってください"
client = genai.Client(api_key=GEMINI_API_KEY)

# ===== パラメータ =====
words = ["カレー", "うんこ", "うんこ味のカレー", "カレー味のうんこ"]
show_distances = True
MODEL_ID = "models/embedding-001"

# ===== 埋め込み取得 =====
response = client.embed_content(model=MODEL_ID, contents=words)
embeddings = [e.values for e in response.embeddings]

# ===== PCAで2次元へ圧縮 =====
pca = PCA(n_components=2)
points_2d = pca.fit_transform(embeddings)

# ===== cos 類似度ベースの距離関数 =====
def cosine_distance(v1, v2):
    return 1 - cosine_similarity([v1], [v2])[0][0]

# ===== 図を描画 =====
plt.figure(figsize=(10, 8))

for i, label in enumerate(words):
    x, y = points_2d[i]
    plt.scatter(x, y)
    plt.text(x + 0.01, y + 0.01, label, fontsize=12)

if show_distances:
    for i, j in combinations(range(len(words)), 2):
        x1, y1 = points_2d[i]
        x2, y2 = points_2d[j]
        plt.plot([x1, x2], [y1, y2], color='gray', linewidth=0.5, alpha=0.5)
        dist = cosine_distance(embeddings[i], embeddings[j])
        xm, ym = (x1 + x2) / 2, (y1 + y2) / 2
        plt.text(xm, ym, f"{dist:.2f}", fontsize=8, color='gray', ha='center', va='center')

plt.title("うんこ味のカレー vs カレー味のうんこ：意味ベクトルの２次元可視化", fontsize=14)
plt.xlabel("PCA 1")
plt.ylabel("PCA 2")
plt.grid(True)
plt.tight_layout()
plt.show()

---

まとめ

意味的には「カレー味のうんこ」は「うんこ味のカレー」より“うんこ成分が薄い”

Gemini Embedding はこういう哲学的ネタにも応用できる

おまけ： 英語だと？

同じ実験を英語でもやってみました

なんとも互角。国民性が反映されている？

備考

Google Gemini APIの使用にはAPIキーと課金設定が必要です。
Gemini APIキーの発行はこちらの右上APIキーの作成ボタンから