ソーシャルブックマークにおけるタグは、基本的にそれぞれの間に相互作用は存在しない独立関係にある。

具体例を挙げると、"Flash" タグ と "Macromedia" タグが存在した場合、"Flash"の持つ何かしらのパラメータ（例：登録数）が変化をしたり、あるいは"Flash" タグそのものが消滅をしても、"Macromedia"タグにはなんの影響もあらわれない。また、"Flash"タグも"Macromedia"タグも、自分以外のタグについての情報を持っていない。

しかし、このようなタグ構造は実装が簡単な反面、幾つかの問題点を持つ。１つは概念の内包構造が表現できない、例えばBlogというタグで検索しても、Movable Typeというタグがふられたコンテンツは検索ができない点。そしてもう１つは Windows, ウィンドウズ, 窓, Winといったように、１つの内容を表現するタグが複数存在すると、その揺れを拾うことができないことだ。

前者に対するもっとも簡単な解決案の１つは、タグに大して上位語、下位語といった階層概念を与えてえる、といった方法が考えられる。いわゆるフォルダ化だ。

このような構造を採用することで、例えばFlashというタグをキーに検索したときに、その下位概念である「ActionScript」や「Flex」というタグも拾うことができる。また完全な解ではないものの、「Flash」の下位概念に「フラッシュ」「フラ」などを配置することで、同意語の吸収も一応は可能となる。

だがこの方法には１つの問題点がある。それは誰がどのように上位下位関係を決定するのか？ということだ。常識的に考えて、タグを１つ定義する毎にユーザーに負担をかけるのは得策ではない。またその場合、ユーザー毎に階層構造のゆらぎが生じるという厄介な問題も生まれる。いかにフォークソノミーと言えど一元的に管理をする必要があるだろう。

可能性としては、「はてな」のような緩い合議制が機能するコミュニティーでは、比較的まっとうな上下関係の定義が行われるのではないか、ということだ。タグ付けとは別個に、WikiPedia的ボランティアによるタグの整理が行われれば、ブックマーク時の負担が上昇することはない。

しかし、deliciousを初めとする通常のSBSにはこのような議論可能なコミュニティ資産がない。とするならば、階層構造の自動化ということも考慮しなければならないだろう。どうやってタグの上下関係を定義するか？という問題は非常に複雑なアルゴリズムが必要に見えるが、どうやらかなりの部分は簡単なロジック判別できそうな気がする。それは、

「AがBという概念を内包するとき、Aに関する文章は必ずしもBという単語を必要としないが、逆にBに関する文章にはAという単語がより高い頻度で含まれる」

という自分仮説からそれなりの精度で自動検出できる。

僕自身がアカデミック苦手なので、この手の定義をうまく一言でかけないのだけど、箇条書きするとこのようになる。

上位概念Aと下位概念Bという二つの言葉がある場合、

①：「上位概念Aを含み、下位概念Bを含まない」文章( A && ! B )
②：「上位概念Aを含み、かつ下位概念Bを含む」文章( A & B)
③：「上位概念Aを含まず、下位概念Bを含む」文章( !A && B)

の３つの文章の数の比は、①＞②＞③が成り立つ。逆をいえば①＞②＞③が成り立っていれば、どちらが上位語かを判定できるわけだ。

これはあくまで個人的な仮説であり、特に統計的な証明をしたわけでもないが、googleを使って検証をする限りでは、あながち的外れでもないようだ。

例えば「Blog」(A)と、「Movable Type」(B)という単語を検索すると、

①○blog　×Movable Type　83,200,000
②○blog　○Movable Type　7,200,000
③×blog　○Movable Type　3,530,000

となり、①＞②＞③により、仮説どうり「BlogはMovable Typeを含む概念である」という結果がでる。

「Flash＞ActionScript」、「日本＞東京」といった関係性においても同様の結果がもたらされる。また興味深いことに、「ロボット＞ガンダム」のように、ガンダムの劇中内では「ロボット」という言葉は用いられない場合でも成り立つ。手動でやると検証が大変なので、暇な人はグーグルで比較してコメント欄で結果の可否を教えてください。

この手法は、昨今のロングテールやWisdom of Crowds（集合知）に関する記事等を読んで思いついたものだ。Googleをはじめとする検索エンジンから、Wisdom of Crowdsの抽出すれば、そのロングテール部分によって「ガンダムはロボットと呼ばず、モビルスーツと呼ぶ」といった専門的な部分がフィルタされ、主に一般的な認識が導かれるというわけである。

この仮説が実際に証明できれば、判別エンジンの特許とって左団扇な発見だと思うが、もうここに書いちゃったからにはパブリックリソースである。残念。それ以前に、明日の食費に困ってる自分では、そもそも特許費用など捻出することすら不可能だ。将来マトモに実用化された方がいましたら、「深津式上位語　判定理論」とかそういうのでリンクでもください。アマゾン・アフィリエイトで細々と回収しますので。

脱線したので本題にもどろう。簡単なわりに効果的のように見える、上位語下位語によるタグの階層化だが、これも万能なわけではない。また導入したことによって新たに発生する問題も存在する。それは上下関係が記述できる一方で、「関連語句」が表現できないということだ。またFlashタグの中にもActionScriptタグ、FlashMXタグの中にもActionScriptタグといった、タグの多重定義の問題が生まれる。これはフォルダに対するショートカット的なものの導入によって、解決ができそうな気がするがショートカットの乱立は階層構造を崩壊させかねないリスクがある。

話がまだまだ収束しそうにないけど、長くなりすぎたので続く。
ソーシャルブックマーク考３　タグの構造について（続編）へ