はじめに
人工知能（AI）や機械学習の世界に足を踏み入れると、様々な専門用語に出会います。その中でも、特に自然言語処理（NLP）の分野で基本となるのが「ワンホットベクトル（one-hot vector）」です。 ワンホットベクトルは、コンピュータが「りんご」や「猫」といった言葉（カテゴリカルデータ）を理解し、計算できるようにするための非常に重要な手法です。この記事では、初心者の方でも理解できるように、ワンホットベクトルの概念から具体的な使い方、メリット・デメリットまでを丁寧に解説します。
ワンホットベクトルとは？
「1つだけがHot (1) で、その他はすべてCold (0) であるベクトル（数値の並び）」のことです。これにより、コンピュータがカテゴリを区別できるようになります。
コンピュータは「月曜日」「火曜日」といった文字列を直接計算できません。そのため、これらのカテゴリを数値に変換する必要があります。この変換手法の一つがワンホットベクトルです。
例えば、「曜日」というカテゴリについて考えてみましょう。[“月”, “火”, “水”, “木”, “金”, “土”, “日”] という7つのカテゴリがあります。これをワンホットベクトルで表現すると以下のようになります。
| 曜日 | ワンホットベクトル |
|---|---|
| 月 | |
| 火 | |
| 水 | |
| … (以下同様) … | |
| 日 | |
このように、表現したいカテゴリに対応する要素だけを「1」にし、それ以外をすべて「0」にします。ベクトルの長さ（次元数）は、カテゴリの総数と同じになります。この表現方法により、各カテゴリは互いに独立したものとして、コンピュータが扱うことができるようになります。
自然言語処理での使われ方
自然言語処理では、文章を単語に分解し、その単語をベクトルに変換することでコンピュータに意味を理解させようとします。ワンホットベクトルは、この単語のベクトル化に使われる最も基本的な手法です。
単語をベクトルに変換する手順
- 辞書（語彙）の作成: 扱いたい文章全体から、登場するすべてのユニークな単語をリストアップし、「辞書（Vocabulary）」を作成します。
- ベクトルの用意: 辞書に含まれる単語の数と同じ長さの、全ての要素が0のベクトルを用意します。
- ベクトル化: 表現したい単語が辞書の何番目にあるかを確認し、その位置の要素だけを「1」にします。
具体例：
「私は猫が好きです」という文章で考えてみましょう。
1. 辞書の作成
まず、単語に分割します: 「私」「は」「猫」「が」「好き」「です」
辞書（語彙リスト）は以下のようになります:{"私": 0, "は": 1, "猫": 2, "が": 3, "好き": 4, "です": 5}
2. 各単語のワンホットベクトル化
辞書の単語数は6つなので、6次元のベクトルになります。
| 単語 | ワンホットベクトル |
|---|---|
| 私 | |
| は | |
| 猫 | |
| が | |
| 好き | |
| です |
Pythonでの実装例
Pythonのライブラリであるscikit-learnを使うと、簡単にワンホットベクトルを作成できます。
from sklearn.preprocessing import OneHotEncoder
import numpy as np
# カテゴリデータ
words = [['私'], ['は'], ['猫'], ['が'], ['好き'], ['です']]
# OneHotEncoderのインスタンスを作成
encoder = OneHotEncoder(sparse_output=False)
# データを学習させ、ワンホットベクトルに変換
one_hot_vectors = encoder.fit_transform(words)
print("--- ワンホットベクトル ---")
print(one_hot_vectors)
print("\n--- 辞書の確認 ---")
print(encoder.categories_) メリットとデメリット
ワンホットベクトルはシンプルで分かりやすい反面、いくつかの課題も抱えています。
| メリット | デメリット |
|---|---|
|
|
ワンホットベクトルの先へ：分散表現
ワンホットベクトルの「単語の類似性を表現できない」という大きなデメリットを克服するために生まれたのが、単語の分散表現（Word Embedding）という考え方です。
分散表現は、単語を低次元（例：100次元や300次元）で密なベクトル（0が少ない）で表現します。そして、ベクトルの近さ（コサイン類似度など）が単語の意味の近さを表すように学習させます。これにより、「王様 – 男性 + 女性 = 女王様」といったような、単語の意味を考慮した計算が可能になります。
代表的な手法として、Word2VecやGloVe、そして近年の大規模言語モデルの基礎となっているBERTなどが挙げられます。
まとめ
ワンホットベクトルは、コンピュータが「言葉」というカテゴリカルデータを扱うための、基本的で重要な第一歩です。
- カテゴリデータを「1」と「0」のベクトルで表現するシンプルな手法。
- 自然言語処理では、単語をベクトル化するために使われる。
- シンプルさがメリットだが、次元が大きくなる、単語の類似性を表現できないといったデメリットもある。
- このデメリットを克服するために「分散表現」という技術が登場した。
ワンホットベクトルの概念とその限界を理解することは、Word2VecやBERTといった、より高度な自然言語処理技術を学ぶための確かな土台となります。