G検定 用語解説
word2vecとは
単語を固定長の実数ベクトル（分散表現）に変換し、ベクトルの加減算によって単語間の意味的な関係を表せるようにした代表的な手法。
まず押さえる結論
word2vecは、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 自然言語処理
単語を1種類の固定したベクトルで表すのではなく、同じ単語であっても文中の前後の文脈に応じて異なるベクトル表現が得られるようにした、文脈を考慮した分散表現の手法はどれか。
正解はELMo。同じ単語でも文中の前後の文脈に応じて異なるベクトル表現が得られる、文脈を考慮した分散表現を与える手法である。word2vecは1つの単語につねに同じ固定のベクトルを割り当てる静的な手法で文脈を反映しない。形態素解析は文を単語に分割する処理、Transformerは自己注意を用いるネットワーク構造そのものであり、いずれも文脈に応じて変化する単語の分散表現を与える手法を指すものではない。 単語表現が固定か文脈依存かを見る。word2vecは語ごとに一つの静的ベクトル、形態素解析は文の分割、Transformerは汎用ネットワーク構造である。前後方向の言語モデルから文脈依存表現を作る手法名はELMoである。
大項目6 ディープラーニングの応用例 / 自然言語処理
単語を意味の近さが反映されるベクトルとして表す代表的な手法で、「王様 - 男性 + 女性 ≒ 女王」のような例で説明されることが多いものはどれか。
正解は「word2vec」である。word2vecは単語を分散表現のベクトルとして扱う代表的な手法で、意味的な近さや関係がベクトル空間に表れやすい。形態素解析は文を単語などに分ける処理、FCNは画像のセグメンテーション、メル周波数ケプストラム係数は音声特徴量である。 成果物を比較する。形態素解析は文の分割と品詞付与、FCNは画像の画素分類、MFCCは音声特徴量である。語の共起から意味の近さや関係をベクトルへ反映し、ベクトル演算の例で説明されるのはword2vecである。
大項目6 ディープラーニングの応用例 / 音声・強化学習
強化学習における行動価値関数をディープラーニングで近似し、多数のテレビゲームで人間に匹敵する成績を示したことで注目された、深層強化学習の代表的な手法はどれか。
正解はDQN。行動価値（Q値）をニューラルネットワークで近似する深層強化学習の手法で、画面の画素を入力として多数のテレビゲームを人間並みにプレイできることを示した。GANは生成器と識別器を競わせて本物らしいデータを作る生成モデル、オートエンコーダは入力を圧縮・復元して特徴を学ぶネットワーク、word2vecは単語を分散表現に変換する手法で、いずれも行動価値を学習するDQNとは目的が異なる。 学習対象を照合する。オートエンコーダは入力復元、GANはデータ生成、word2vecは単語ベクトルを学習する。状態から各行動のQ値をニューラルネットワークで出力し方策選択に使うのはDQNである。
同じ章で確認したい用語
到達チェック
- word2vecを一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、word2vecに関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）