この記事では、当ブログの過去の記事を解析して生成した「意味的類似性の2次元プロット」と「メタデータのネットワークグラフ」を紹介します。

はじめに

2026/06/14現時点で本ブログに存在している記事を用いて、DL vs ルールベースで記事の類似性を可視化してみました。

DLベースの手法は、multilingual-e5-large を用いて記事本文をベクトル化したのち、UMAPで2次元に圧縮して可視化しています。 ルールベースの手法は、各記事のタイトルとタグをキーとして、形態素解析(Janome)で分割したトークンをユニグラム特徴量としたTF-IDFを計算し、コサイン類似度を計算して可視化していきます。

本記事の技術的な部分は Gemini と Antigravity を用いて実施しました。

意味的類似性の2次元プロット

記事本文のテキストを多言語モデル(multilingual-e5-large)でベクトル化し、UMAPで2次元に圧縮した結果です。近い位置にあるドットは、意味的に類似した内容であることを示しています。 ホバーすると記事タイトルとタグを確認できます。

メタデータのネットワークグラフ

記事（青色）とタグ（緑色）、カテゴリ（赤色）の関連性を表したネットワークグラフです。 ノードをドラッグして動かすことができ、全体としてどのようなトピックがブログ内で繋がりを持っているかが視覚的にわかります。

まとめ

DL vs ルールベースで可視化をしてみました。

比較してみると、データ数が少ないせいかあんまり大きな違いは無いですね。ただ、ルールベースの方が記事の傾向を直感的に捉えやすいかなと感じました。DLはデータ量を増やせば、より精度の高い分析ができるので今後に期待です。