bigram・とは？初心者が今すぐ知っておきたい基本解説共起語・同意語・対義語も併せて解説！

この記事を書いた人

高岡智則

年齢：33歳性別：男性職業：Webディレクター（兼ライティング・SNS運用担当）居住地：東京都杉並区・永福町の1LDKマンション出身地：神奈川県川崎市身長：176cm 体系：細身〜普通（最近ちょっとお腹が気になる）血液型：A型誕生日：1992年11月20日最終学歴：明治大学・情報コミュニケーション学部卒通勤：京王井の頭線で渋谷まで（通勤20分）家族構成：一人暮らし、実家には両親と2歳下の妹恋愛事情：独身。彼女は2年いない（本人は「忙しいだけ」と言い張る）

bigramとは？

bigramとは、文を構成する隣接した2語の組み合わせのことです。言語学や自然言語処理の分野でよく使われます。bigramは1語だけを見た unigram と対になる概念です。2語の並びを分析することで、語と語のつながりや語順の特徴を理解しやすくなります。

具体的な例で見ていきましょう。英語の文 I love dogs では隣接する2語の組み合わせは I love と love dogs の2つです。このように2語の列を並べることで文の構造を細かく表現できます。日本語でも同じ発想で分かち書きや形態素解析ツールを使い、2語ずつの組み合わせを作ることができます。

<th>用語

説明
Unigram	1語の単位。文の情報量は少ないが全体像の把握に役立つ。
Bigram	隣接した2語の組み合わせ。語の順序とつながりを捉えやすい。

bigram を作る基本的な手順は次のとおりです。まず文を単語や語の単位に分割します。次に隣接した2語を順番に列挙します。最後に bigram の頻度を数えることで、文中の重要な語の組み合わせを把握できます。統計的なモデルでは bigram の出現確率を p( w1 w2 ) のように表し、文章の生成や検索の判断材料として使います。

使い方のポイントは2つあります。第一に正確なトークン化が大事です。日本語の場合は語の境界が曖昧なので形態素解析ツールを使い、適切に区切ることが重要です。第二にデータ量が多いほど信頼性のある bigram が得られます。小さなデータセットだと珍しい組み合わせばかりが出てきて、結果が偏りやすくなります。

ポイント1：bigramは隣接した2語を対象にする点が基本です。

ポイント2：NLPの統計モデルや検索エンジンの分析に活かせます。

SEOや検索の観点での活用

ビッグラムは検索キーワードの組み合わせを分析する際にも役立ちます。長尾キーワードと呼ばれる複数語の組み合わせを調べると、どんな言い回しがよく使われているかがわかります。たとえば情報を探している人が入力する可能性が高いフレーズのパターンを bigram で拾うと、説明記事の作成や内部リンクの設計に活かせます。この記事でも bigram の考え方を知ることで、文章の自然さを保ちつつ読者の検索意図に近づけるコツが見つかります。

以下は実務での活用の例です。言語を深く理解したいとき、あるテーマに関する文章から頻出する bigram を抽出してメモを作ると、要点が整理されます。文の長さや語彙の豊富さを評価する指標として bigram を使うと、文章の説得力や流暢さの改善点を見つけやすくなります。

結論 bigram は言語の中で語と語のつながりを扱う基本的な道具です。正しく使えば文章理解の深さが増し、SEO では検索意図の把握やコンテンツ設計のヒントになります。

補足として、日本語の例を少しだけ見ておきましょう。文を分かち書きした後で bigram を作ると、私は学生ですのような組み合わせが現れます。データが大きく、語の境界がはっきりしているほど、bigram のパターンは安定します。

bigramの同意語

ビグラム: 英語の bigram の日本語表記。テキスト中で隣接する2語の組み合わせを指す基本的な分析単位。
バイグラム: bigram の別表記。隣接する2語の並びを表す用語。
二語グラム: 2語から成る連続した語の列。NLPでよく使われる分析単位のひとつ。
二語連結: 隣接する2語を結ぶ語の組み合わせ。bigram を指す表現として使われることがある。
語ペア: 隣接する2語のペア。bigram の自然な言い換えのひとつ。
隣接語ペア: テキスト中で隣接して現れる2語のペア。
隣接語列: 隣接する2語が連続して並ぶ語の列。bigram の具体例として用いられることが多い。
2-gram: 英語圏での名称。隣接する2語の列を指す。
二語連続: 2語が連続して現れる状態。ビグラムの概念を表現する表現の一つ。
二語ペア: 2語のペア。ほぼ必ず隣接して現れる2語の組として解釈される。

bigramの対義語・反対語

ユニグラム: 1つの連続した語（1-gram）を指す概念。ビグラムの対になる最も短い単位で、言語モデルでは単語1つだけを分析するときに使います。
一語: 日本語の表現としての“1語”を指す概念。ビグラムの対になる最小の語の単位として理解され、語の長さを1語に限定した分析に用いられます。
モノグラム: 1文字（または1語）の単位を指す用語。N-gramの最小単位として扱われることがあり、ビグラムの対極として説明されることもあります。
トライグラム: 3つの連続した語（3-gram）を指す概念。ビグラムより長い語の連なりで、文脈をより広く捉える分析に用いられます。対義語というより“別サイズの対比”として挙げられます。

bigramの共起語

unigram: 1語だけの語の連なり。bigramを構成する基本要素となる最小単位です。
two-gram: 二語連続の語のこと。bigramと同義で使われます。
trigram: 3語連続の語の組み合わせ。テキストの連語の一例です。
n-gram: n語連続の語の列。bigramはn=2、一般にn-gramは任意のnに対応します。
bigram_model: bigramだけを前提とした言語モデル。隣接語の出現確率を学習します。
language_model: 言語モデル。次に来る語を予測する統計的モデルの総称で、ビグラムモデルはその一種です。
markov_chain: マルコフ連鎖。現在の語は直前の語にのみ依存するという仮定で言語を扱います。
transition_probability: ある語から別の語へ移る確率。ビグラムモデルの基本要素です。
tokenization: テキストを単語や語句に分割する処理。bigramを作る前の前処理として必須です。
preprocessing: データ前処理。正規化・分割・形態素解析などを含み、精度を左右します。
normalization: 正規化。大文字小文字の統一や記号の統一など、比較を安定させます。
stemming: 語幹を取り出す処理。語形変化を揃えて比較しやすくします。
lemmatization: 語の基本形へ戻す処理。意味を崩さず語形を揃えます。
stopword: 頻繁に現れ意味が薄い語。共起分析のノイズになりやすく除外対象となることがあります。
stopword_removal: ストップワードを除去する処理。重要な共起を際立たせる効果があります。
tf-idf: Term Frequency-Inverse Document Frequency。文書内の重要性を評価する指標で、適切なビグラム選択に使います。
term_frequency: 文書内での語の出現回数。共起の強さを測る基本指標です。
document_frequency: 特定語が登場する文書の数。語の普遍度を表します。
co_occurrence: 同じ文書内で一緒に現れる語同士の関係。共起分析の核となる概念です。
cooccurrence_matrix: 共起行列。語と語の同時出現回数を表す表で、分析の土台になります。
pmi: Pointwise Mutual Information。語同士の共起が偶然より有意かを示す指標です。
mutual_information: 相互情報量。PMIの別名として使われることもあります。
association: 語と語の関連度の総称。統計的手法で測定されます。
association_strength: 結びつきの強さ。高いほど一緒に現れやすい指標です。
chi_square: カイ二乗検定。語の共起が独立かどうかを検定する統計量です。
likelihood_ratio: 尤度比。共起の有意性を検証する統計手法の一つです。
smoothing: 確率推定の不確実性を埋める処理。特に未知の語対に対する対応に使われます。
laplace_smoothing: ラプラス平滑。未知の組み合わせにも確率を割り当てます。
entropy: エントロピー。情報の不確実性を測る指標で、語の分布を評価します。
phrase_detection: フレーズ検出。二語以上の連語を自動で見つける技術です。
phrase_mining: フレーズマイニング。頻出する語句を抽出する手法です。
two_word_pair: 二語のペア。隣接する2語の組み合わせを指す表現です。
collocation: 意味的結びつきが強い語の組み合わせ。よく一緒に現れる語のことを指します。
semantic_bigram: 意味的に関連する二語の組み合わせ。文脈によって意味が強く結ばれます。
syntactic_bigram: 文法的に隣接する語ペア。構文情報をもとに抽出されることがあります。
keyword_pairing: SEOでのキーワードのペアリング。検索クエリの拡張に利用されます。
SEO_context: SEOの文脈での共起語活用。関連語を適切に使い分け、クローラの理解を助けます。
corpus: 大量の文書の集合。共起分析のデータソースになります。
document: 1つの文書。共起はこの単位で計算されることが多いです。
vector_space_model: 語をベクトルとして扱うモデル。距離や角度で意味的な近さを測ります。
cosine_similarity: コサイン類似度。2つの語ベクトルの角度で類似度を表します。
word_embeddings: 語をベクトル表現に変換する技術。語間の関連性を数値化します。

bigramの関連用語

バイグラム（2-gram）: 隣接する2つの語の連続した組み合わせ。文の局所的な語順と意味のつながりを捉える基本的な単位で、特徴量として使われることが多い。
ユニグラム（1-gram）: 1つの語（単語）のこと。n-gramの最小単位で、基本的な特徴量として広く用いられます。
トライグラム（3-gram）: 隣接する3語の連続した組み合わせ。2語の連結情報をさらに拡張して文脈を広く捉えます。
文字n-gram: 文字レベルで隣接するn文字の連なり。スペルの揺れや多言語データの扱い、海外語の表現揺れの対応に有効。
n-gram: n個の連続した語（または文字）の集合を指す一般的な用語。nを変えると文脈の粒度が変わります。
n-gramモデル: n-gramを前提とした言語モデル。直前のn-1語から次の語を予測します（マルコフ仮定）。
バイグラムモデル: n-gramモデルのうちn=2を用いる言語モデル。直前の語1語から次の語を予測します。
マルコフ連鎖仮説: 現在の語は過去のn-1語のみに依存するとする仮説。n-gram言語モデルの基礎となります。
語順情報: n-gramは語の順序を保持するため、語順の違いによる意味の変化を捉えやすくなります。
トークン化: テキストを語や文字などの最小単位（トークン）に分割する前処理。バイグラムはトークン化後に作成されます。
正規化・前処理: 小文字化・表記ゆれの統一・形態素解析など、n-gramの品質に影響する前処理です。
ストップワード除去: 意味の薄い頻出語を省く前処理。重要な語のn-gramを抽出しやすくします。
出現頻度: 各n-gramがテキスト内に現れる回数。特徴量としての重要性の指標になります。
TF-IDF: 語の重要度を評価する指標。n-gramを特徴量として使う際に、頻度だけでなく文書頻度を考慮します。
コサイン類似度: 2つのn-gramベクトルの類似度を測る指標。情報検索やテキスト分類で使われます。
情報検索・検索クエリ分析: 検索クエリを分析して意図を読み解く際、バイグラムが意味の曖昧さを減らします。
特徴量エンジニアリング: 機械学習での入力特徴を作る作業。n-gramは代表的なテキスト特徴量です。
スパース性: 高次のn-gramはデータ空間が疎になる性質。学習・推定の課題になります。
次元削減: 高次n-gramの特徴量を扱いやすくする技術。例としてSVDやトピックモデルの前処理が挙げられます。
言語モデル: 文中の語の出現確率を推定するモデルの総称。n-gramはその代表的手法の一つです。