1 概要と定義
意味ネットワーク（Semantic Network）は、知識表現の古典的かつ代表的な手法の一つであり、概念（ノード）とそれらの間の意味的関係（エッジ）をグラフ構造で表現する形式である。主に人工知能、自然言語処理、計算言語学の分野で用いられ、人間の連想記憶や意味的推論をモデル化するための基礎として発展した。ノードは「犬」や「哺乳類」といった実体や抽象概念を、エッジは「is-a（～の一種である）」「has-part（～の部分を持つ）」などの関係を表し、これにより継承や類推などの推論を可能にする。
1.1 意味ネットワークの基本構造
意味ネットワークは有向グラフとして構成される。各ノードは一つの概念または個体を表し、エッジはノード間の意味的関係を示す。エッジにはラベルが付与され、関係の種類を明示する。例えば、「犬」ノードと「哺乳類」ノードを「is-a」エッジで結ぶことで、犬が哺乳類の一種であることを表現する。この構造により、情報の階層化と推論の基盤が提供される。
1.2 ノードとエッジの役割
ノードは知識の単位であり、具体的な物体（例：「東京タワー」）から抽象的なカテゴリ（例：「建造物」）まで多様な概念を保持する。エッジはノード間の関係を定義し、主に以下の役割を果たす：階層関係の構築（例：is-a）、属性の付与（例：has-color）、部分全体関係（例：has-part）、および動作主体・対象の指定（例：agent-of）。エッジの種類によって、ネットワーク上での推論の方向性や制約が決まる。
2 歴史と発展
2.1 初期の理論（Quillian, Collinsらの研究）
意味ネットワークの起源は、1960年代の心理言語学研究に遡る。Ross Quillianは、人間の意味記憶をモデル化するために、単語の意味をネットワーク状に表現する手法を提案した。その後、Allan Collinsらが拡張し、階層的ネットワークモデル（例：TEAMモデル）を構築した。これらの研究は、人間の認知における典型性効果やカテゴリ化のプロセスを説明する上で重要な役割を果たした。
2.2 計算モデルへの応用
1970年代以降、人工知能の知識表現手法として意味ネットワークが本格的に応用された。特に、Roger Schankの概念依存理論や、エキスパートシステムにおける知識ベースの構築において利用された。計算機上での効率的な実装が進められ、継承機構や制約伝播による推論アルゴリズムが開発された。
2.3 現代の知識グラフとの関係
2000年代以降、意味ネットワークの概念は知識グラフ（Knowledge Graph）の基盤として再評価された。WordNetやFreebase、Google知識グラフなどの大規模知識ベースは、意味ネットワークの原理を拡張し、エンティティ間の多様な関係をグラフ構造で管理している。現代のセマンティックWeb技術とも密接に関連し、オントロジーやリンクトデータの設計に影響を与えている。
3 構成要素
3.1 ノードの種類
3.1.1 具体概念ノード
具体概念ノードは、現実世界に存在する個別の物体や事象を表す。例えば、「エッフェル塔」や「特定の犬（例：飼い犬のポチ）」など、時間的・空間的に一意な実体を指す。他のノードとの関係を通じて、その属性や所属カテゴリが定義される。
3.1.2 抽象概念ノード
抽象概念ノードは、具体的な実体に依存しない一般化された概念を表す。例えば「動物」「正義」「速度」など、複数の具体事例に共通する性質や分類を示す。階層関係における上位ノード（スーパークラス）として頻繁に用いられる。
3.1.3 インスタンスノード
インスタンスノードは、抽象概念の具体的な事例を表す。例えば、「犬」という抽象概念に対する「飼い犬のポチ」が該当する。抽象概念ノードと「instance-of」エッジで結ばれる。インスタンスノードは具体概念ノードと類似するが、抽象概念との関係が明示的に定義される点で区別される。
3.2 エッジのタイプ
3.2.1 階層関係（is-a, subsumption）
「is-a」エッジは、ある概念が別の概念の一種であることを示す。例えば「犬 is-a 哺乳類」。これにより、上位概念の属性を下位概念が継承できる。「subsumption」はより厳密な包含関係を表し、オントロジーにおいてクラス階層の形成に用いられる。
3.2.2 属性関係（has-property, has-part）
属性関係は、概念が持つ性質や構成要素を表現する。「has-property」は「犬 has-property 四足歩行」のように属性値を示し、「has-part」は「車 has-part エンジン」のように部分-全体関係を表す。これらのエッジは、概念の詳細な記述を可能にする。
3.2.3 機能的関係（agent-of, object-of）
機能的関係は、動作やイベントにおける役割を定義する。「agent-of」は行為者を、「object-of」は動作の対象を示す。例えば「料理人 agent-of 料理する」「料理 object-of 食べる」など。自然言語処理における意味役割の付与に応用される。
4 主要な種類
4.1 階層的意味ネットワーク
最も基本的な形態で、概念間のスーパーサブ関係（is-a階層）を中心に構成される。ノードはツリー状に配置され、上位ノードの属性を下位ノードが継承する。効率的な推論（例：典型性の判定、カテゴリ化）が可能だが、厳密な階層化が困難な曖昧な概念には不向きである。
4.2 拡張意味ネットワーク（フレームベース）
フレーム理論（Marvin Minsky提唱）を統合したネットワークで、ノードに属性（スロット）とその値（フィラー）を付加する。階層関係に加え、属性のデフォルト値や制約条件を保持し、より複雑な知識表現を実現する。例えば「犬」ノードに「鳴き声：ワン」「寿命：10-15年」などのスロットを設定する。
4.3 確率的意味ネットワーク
ノードとエッジに確率的な重みや信頼度を付与した拡張モデル。不確実性を扱う知識表現に適し、ベイジアンネットワークと融合することで、推論の信頼性を計算できる。医療診断や天気予報など、不完全な情報に基づく判断が求められる領域で応用される。
5 応用領域
5.1 自然言語処理
5.1.1 語義曖昧性解消
文脈中の単語が複数の意味を持つ場合、意味ネットワークを利用して周辺語句との関係から適切な語義を選択する。例えば「bank」が「川岸」か「銀行」かを判断する際、関連ノード（「river」や「money」）との接続強度を比較する。
5.1.2 質問応答システム
入力された質問を意味ネットワーク上のノードと関係に変換し、対応する回答領域を探索する。典型的なシステムでは、質問の解析結果から「what is the capital of France?」のような関係を抽出し、ネットワーク内の「France」ノードと「has-capital」エッジを通じて「Paris」を得る。
5.2 知識ベースシステム
エキスパートシステムやリコメンデーションシステムにおいて、事実とルールを意味ネットワークとして保持する。例えば医療診断システムでは、症状と疾患の因果関係をネットワークで表現し、推論エンジンが継承や制約伝播を用いて診断結果を導出する。
5.3 セマンティックWebとオントロジー
意味ネットワークは、セマンティックWebにおけるオントロジー記述言語（RDF、OWL）の基礎を提供する。エンティティ（リソース）とプロパティ（関係）をグラフ構造で表現し、機械が意味を理解できるデータ交換を実現する。WordNetやDBpediaなどの大規模オントロジーは、この原理に基づいて構築されている。
6 利点と限界
6.1 直感的な表現力
グラフ構造は人間の連想記憶に類似し、視覚的に理解しやすい。ノードとエッジの組み合わせで複雑な知識を比較的容易に表現でき、設計者と利用者のコミュニケーションを促進する。また、継承による推論が直感的に行える。
6.2 推論の計算量問題
大規模ネットワークにおいて、深い階層や多数の関係を持つ場合、推論に要する時間が指数的に増加することがある。特に制約伝播や経路探索は、最悪の場合に計算量が爆発する可能性があり、効率的なアルゴリズムや近似手法が必要となる。
6.3 表現の一貫性とスケーラビリティ
ネットワークの構築時、同一概念に異なるノードが作成されるなど、一貫性の維持が困難である。また、異なる知識源を統合する際に、関係定義の矛盾が生じやすい。大規模化に伴う管理コストや更新の複雑さも課題であり、オントロジー整合技術や自動学習手法の導入が進められている。
7 発展と関連技術
7.1 概念グラフ
概念グラフ（Concept Graph）は、John Sowaによって提唱された知識表現形式であり、意味ネットワークをより厳密な論理ベースに拡張したものである。ノードは概念と概念関係のラベルを持ち、述語論理による推論が可能。自然言語の意味解析やデータベースクエリに応用される。
7.2 知識グラフ（WordNet, Freebase）
WordNetは、英語の単語を同義語集合（synset）でまとめ、概念間の意味関係（上位語、下位語、部分語など）をネットワーク化した大規模データベースである。Freebaseは、エンティティとプロパティをグラフ構造で管理する知識ベースで、後にWikidataに統合された。これらは現代の知識グラフ技術の先駆けとなった。
7.3 ニューラルネットワークとの融合
近年、深層学習と意味ネットワークの融合が進んでいる。知識グラフ埋め込み（Knowledge Graph Embedding）技術により、ノードとエッジをベクトル空間に写像し、ニューラルネットワーク上で推論や知識補完を行う。また、Transformerモデルと組み合わせて、文脈に応じた動的な意味ネットワークを生成する研究も行われている。