Word2Vecは、大量のテキストデータから単語を多次元のベクトルに変換する機械学習の手法です。単語の持つ意味や文脈上の役割を数値化（分散表現）することで、単語同士の意味の近さを計算したり、単語の足し算・引き算といった演算を行ったりすることを可能にしました。現代の自然言語処理における基礎技術の一つです。
Word2Vecとは
Word2Vec（ワードツーベック）とは、大量の文章を学習し、単語の意味をコンピュータが扱いやすい「ベクトル（数値の配列）」として表現する自然言語処理の技術です。単語の「分散表現」を構築する代表的な手法であり、ニューラルネットワークを用いて効率的に単語ベクトルの学習を行います。
詳しく解説
Word2Vecは、2013年にGoogleの研究者トマス・ミコロフ氏らによって提案されました。それ以前の単純な単語のカウントに基づく手法と異なり、周辺に現れる単語（文脈）から対象の単語の意味を予測する、あるいは対象の単語から周辺の単語を予測するというアプローチをとります。これらを実現するアーキテクチャとして、CBOW（Continuous Bag-of-Words）とSkip-gram of-wordsの2つのモデルが提供されています。Word2Vecがもたらした重要性は、単語を固定次元の数値配列として表現（分散表現）することで、意味の足し算や引き算（例：「王」-「男」+「女」=「女王」）などのベクトル演算を可能にした点にあります。この技術により、コンピュータが単語の意味的な類似性や文脈を数学的に捉えることができるようになり、その後の自然言語処理の発展に大きく寄与しました。
具体例・使われ方
Word2Vecは多様なテキスト解析タスクで活用されます。具体的な利用例として、検索エンジンでの表記揺れの吸収や、関連キーワードの推薦が挙げられます。例えば、単語間のコサイン類似度を計算することで、「スマートフォン」と「スマホ」が極めて近い意味を持つ単語であることを検出できます。また、ECサイトでの商品レコメンドにおいて、ユーザーが閲覧した商品の履歴を「単語の並び」と見立ててWord2Vecを応用し、次に閲覧されやすい類似商品を推薦するシステムなどにも応用されています。
似た用語との違い
Word2Vecとよく混同される手法に「TF-IDF」があります。TF-IDFは、文書内における単語の出現頻度と、他の文書での稀少性に基づいて単語の重要度を計算する統計的手法です。Word2Vecのような「分散表現」とは異なり、単語の意味の近さをベクトル演算で捉えることはできません。また、より新しい言語モデルである「BERT」との違いも顕著です。Word2Vecは文脈に依存せず1つの単語に対して常に同じベクトルを割り当てますが、BERTは同じ単語であっても前後の文脈に応じて動的に異なるベクトルを生成できるという大きな違いがあります。
注意点
Word2Vecの主な限界として、多義語（同じスペルで複数の意味を持つ単語。例：「はし」が橋・端・箸を指す場合など）を区別できず、1つの固定された単語ベクトルに統合してしまう点が挙げられます。また、学習データに含まれていない未知語の処理が苦手であり、新語や専門用語が現れた際に対応できません。さらに、高精度なベクトルを獲得するためには、偏りのない大量のテキストデータを用いてニューラルネットワークの学習を行う必要があります。