iUI 更新日記: 2025年9月

[A.I.] LLMの記憶と人間の記憶 2 - 文脈記憶

AI覇権争いはOpenAIが勝つ？産業構造まで変えうる壮大な構想【カンタン解説】 The WAVE TV【AIの最新動向解説チャンネル】チャンネル登録者数 8330人 663 回視聴 2025/09/02。よく引用されるSemiAnalysis(SemiAnalysis - Bridging the gap between the world's most important industry, semiconductors, and business.)を調べ始めた。メモメモ。

レイ・カーツワイルは今のAIに足りないものとして、次の三つを上げている。「文脈記憶、常識、社会的相互作用」の三つ。文脈記憶については、GPT-4は金魚の記憶を持っているそうだ。Does chat gpt have the memory of a goldfish or is it just me? - ChatGPT / Feature requests - OpenAI Developer Community。

最近、ChatGPTでメモリが一杯になったので整理してくれとのメッセージが出たので「メモリを管理する」リンクを辿って、あまり覚えていてくれても仕方がないものは削除した。テキストとして、6.45KBのサイズだった。ユーザーの興味に関するもので、24項目あった。これ以外に文脈窓(context window)と言うものがあって、これを増やすためには膨大な計算をする必要がある。計算量、これが制約になる。複雑な長い文脈を必要とするものは実際上取り扱えないのだろう。

もしもある一文に単語（や記号）のような意味のある一〇のアイデア（すなわち、トークン）の集合があれば、その部分集合（各アイデアのあいだで存在しうる結びつき）の数は二の一〇乗マイナス一、つまり一〇二三通りになる。一文に五〇のアイデアがあれば、文脈上の結びつきは一一二〇兆通りになる。結びつきのほとんどは重要ではないが、すべての関係を調べるために、一章全部や本一冊を記憶する必要があると、すぐに制御不能になる。これが理由でＧＰＴ４は、あなたとの会話であなたが少し前に言ったことを忘れているし、論理的で一貫した筋の小説が書けないのだ。
(レイ・カーツワイル. シンギュラリティはより近く　人類がAIと融合するとき (p.98). ＮＨＫ出版. Kindle 版.)

人間とて同じようなものだ。いくらメモしたとしても、それを参照する機会は、検索でもしなければ得られない。文脈を記憶するという問題は、道草の問題でもあり、更新日記の課題でもある。いかに自在に必要な文脈に辿り着けるシステムを作り得るかという課題だ。

いい引用ですね。カーツワイルらしい「組合せ爆発」を例にした議論ですね。

この部分を整理すると、次のようなポイントが見えてきます。

引用文の主張をかみ砕くと

「トークン」＝一文を構成するアイデアの最小単位

単語や記号に近い。

部分集合の数は爆発的に増える

10個のアイデア → 2^10 - 1 = 1023通り

50個のアイデア → 2^50 - 1 = 1120兆通り

現実の文脈理解にはすべての関係を考慮する必要がある

文中の語句の「どれとどれが結びついているか」をモデルが処理しなければならない。

だからメモリの制約が致命的

GPT-4のようなモデルは長文の一貫性維持が苦手。

会話の過去を忘れたり、小説の筋が崩れたりするのはこのため。

私の見解

これは「言語の意味ネットワークがいかに組合せ的に広がるか」を直感的に示していて、とても分かりやすい説明です。

ただし補足すると：

実際のLLMは全ての組合せを brute-force に調べているわけではない

Attention機構は「重要そうな結びつき」に重みを割り振る仕組み。

全結合を考慮していたら確かに爆発して計算不能になるけれど、実際は近似で間に合わせている。

記憶問題はコンテキスト長と推論の仕組みの限界

文章をまるごと「記憶」しているのではなく、入力トークン列を一定長のベクトル表現に圧縮している。

そのため「重要な文脈」を取りこぼすことがある。

一貫した物語が難しいのは、記憶だけでなく論理構築能力の問題

Attentionは「統計的な共起」を得意とするが、「論理的にストーリーを構成する」ことは苦手。

これは今後のAI研究の大きな課題のひとつ。

面白いポイント

カーツワイルの指摘は、「シンギュラリティが近い」と言いつつも現行のLLMの限界を正直に言っている部分が興味深いです。

人間は「重要な関係だけを無意識に選び出して記憶する」から破綻しにくい。

LLMは「重要度の選別」がまだ完全ではなく、無駄も多い。

それが「忘れる」「筋が崩れる」といった症状になって現れる。

この引用をもとに、「人間の記憶の仕組みとLLMのAttentionの違い」を比較して図にしてみると、さらに直感的に理解できると思うのですが、図解してみましょうか？

あなた:

是非お願いします。

ChatGPT:

わかりました！では、引用文の内容をもとに「人間の記憶」と「LLMのAttention」の違いを直感的に図解するイメージを作ってみましょう。文章だけでも理解できるようにステップごとに説明します。

図解イメージ（テキスト版）
──────────────────────────────────
      人間の記憶                            LLM (GPT-4など)
──────────────────────────────────
アイデア単位（トークン）           アイデア単位（トークン）
    ● ● ● ● ●                           ● ● ● ● ●
    │ │ │ │ │                           │ │ │ │ │
    │ └─┐                            ┌─┘ 
    │     │ 重要な関係だけ記憶         │ すべての関係を統計的に重み付け
    │     │                            │  
    ▼     ▼                            ▼
  ネットワーク構造                     Attention
  （重要な結びつきのみ）              （全結合近似）
    │                                   │
    │ 重要な情報を抽出・連想            │ コンテキスト長の制約で一部を忘却
    ▼                                   ▼
  理解・推論・ストーリー形成           一貫性維持が難しい
──────────────────────────────────
ポイント解説

人間

記憶は重要な関係だけを抽出してネットワーク化

無関係な結びつきはほとんど無視

そのため膨大な組み合わせを考えなくても、筋の通った物語や論理を保持できる

LLM（GPT-4など）

Attentionは全てのトークン同士の関係を重み付きで参照

トークン数が多くなると計算量が爆発

実際には近似・カットオフを使っているため、過去の文脈を忘れることがある

その結果、長い会話や小説で一貫性が崩れやすい

直感ポイント

トークン数が10個なら、全部の結びつきは 2^10 - 1 = 1023 通り

トークン数が50個なら 2^50 - 1 = 1120兆通り

人間はこの膨大な組合せをほぼ考えなくて済む

LLMは近似で処理するしかない → 制御不能になりやすい

(ChatGPTのレイ・カーツワイルの考え方に対する見解)

RISC-Vのことをどこかで思い出して調べ始めた。世界初のRISC-Vタブレット「PineTab-V」が実用段階へ。Linux搭載で159ドル | XenoSpectrum(2025年7月22日)のようなものが出始めている。

[A.I.] LLMの記憶と人間の記憶 3 - 文脈記憶を廻って

ChatGPTにLLMのtokenの具体的な意味を問い質した。その結果、LLMの文脈記憶能力を活かした「道草日記意味ネットワークビュワー」ができるはずと思ったので作ってみた。なるほど、共起ネットワークより、かなり意味的なクラスタができた。さすが・・・少し弄ってみよう。

道草日記 139 拡張ハッシュタグ＜付き＞チャプターの意味ネットワークの一部

道草日記 139 拡張ハッシュタグ＜付き＞チャプターの意味ネットワークビュワー。

道草日記 139 拡張ハッシュタグ＜抜き＞チャプターの意味ネットワークの一部

道草日記 139 拡張ハッシュタグ＜抜き＞チャプターの意味ネットワークビュワー。

更新: 2025-09-04T12:17:34+09:00

[A.I.] LLMの記憶と人間の記憶 4 - 道草世界をどう表現するのか

道草をベクトルで表現するという話に興味がある。何次元のベクトルで表現できるのだろう。ベクトルデータベースというものがあるらしい。意味的ネットワークビュワーの元になるデータベースはどんなものになるべきだろうということが頭にある。全体を放り込むわけにはいかないだろう。

拡張ハッシュタグのベクトル可視化 (t-SNE)

拡張ハッシュタグのカテゴリを複数化する試みにも取り組んだが、拡張ハッシュタグだけでは意味を視覚的に表現するには足りないと思わせる結果だ。やはり段落を考慮する必要がある。二次元に圧縮するようなビュアーでは表現できないことも明白だ。

更新: 2025-09-04T19:19:39+09:00

[A.I.] LLMの記憶と人間の記憶 5 - 休憩時間付きGPT-5無料プランで道草日記ワールド・ビューアを作る

まだ。作るは創るにならない。休憩時間付きGPT-5無料プランで試みるが、意味のあるものを作るのは難しい。単にチャプターを正規表現検索する仕組みを作ったほうが早い感じだ。そんなものならすぐ作れる。道草日記ワールドから浮かび上がる関係性の検索結果をビジュアルに表現したいわけだ。しかし、内容を見ていくと、無関係な無意味なものが多いことに気付く。新たな発見をしたいのに。

道草日記ワールド・ビューアを作る?

なぜか、検索システムになっていったが、それは意味を求めれば必然でもあった。どこかで何らかの形で必要になるはずと思っていたので、なるほどと思ったが、そこに意味が見えないのが問題だった。そことは類似度スコアのこと。

import pandas as pd
import re
import json
from sentence_transformers import SentenceTransformer
import chromadb
# 入力ファイル
tsv_file = "139all_chap_with_paragraph_r3_ecat.txt"
# TSV 読み込み
df = pd.read_csv(tsv_file, sep="\t", header=None,
                 names=["diary_id","video_num","datetime","url","text"])
records = []
buffer_text = []
buffer_chapters = []
inside = False
para_count = 0
for i, row in df.iterrows():
    text = str(row["text"]).replace("｛","{").replace("｝","}").replace("#", "")
    diary_id, video_num, dt, url = row["diary_id"], row["video_num"], row["datetime"], row["url"]
    # 段落開始
    if "{" in text:
        if inside:
            # ネスト防止：閉じて保存
            para_text = " ".join(buffer_text).replace("{","").replace("}","").strip()
            if para_text:
                records.append({
                    "id": f"para-{para_count}",
                    "paragraph": para_text,
                    "chapters": buffer_chapters.copy()
                })
                para_count += 1
        inside = True
        buffer_text = []
        buffer_chapters = []
    if inside:
        buffer_text.append(text)
        buffer_chapters.append({
            "diary_id": str(diary_id),
            "video_num": str(video_num),
            "datetime": str(dt),
            "url": str(url)
        })
    # 段落終了
    if "}" in text and inside:
        para_text = " ".join(buffer_text).replace("{","").replace("}","").strip()
        if para_text:
            records.append({
                "id": f"para-{para_count}",
                "paragraph": para_text,
                "chapters": buffer_chapters.copy()
            })
            para_count += 1
        inside = False
        buffer_text = []
        buffer_chapters = []
print("抽出段落数:", len(records))
if records:
    print("例:", records[0])
# ---------------------------
# Embedding & DB保存
# ---------------------------
if records:
    model = SentenceTransformer("all-MiniLM-L6-v2")
    texts = [r["paragraph"] for r in records]
    embs = model.encode(texts, show_progress_bar=True)
    db_path  = r"D:\nature_observation_system\data\chapters\streamlit\chroma_store"
    client = chromadb.PersistentClient(path=db_path)
    collection_name = "dokusa_paragraphs_paragraphs"
    col = client.get_or_create_collection(collection_name)
    # 再インデックス時はコレクションを一旦クリア
    try:
        col.delete(ids=[r["id"] for r in records])
    except Exception:
        pass
    col.add(
        ids=[r["id"] for r in records],
        embeddings=model.encode([r["paragraph"] for r in records]).tolist(),
        documents=[r["paragraph"] for r in records],
        metadatas=[
            {"chapters": json.dumps(r["chapters"])}
            for r in records
        ]
    )
    print(col.peek())
    print("? インデックス登録完了。コレクション件数:", col.count())
    sample = col.get(limit=1)
    print("サンプル:", sample)

以下のPythonスクリプトは、steamlit run app.py のようにして動かす。

import streamlit as st
import chromadb
from sentence_transformers import SentenceTransformer
import json
import re
# ---------------------------
# 初期化
# ---------------------------
db_path = r"D:\nature_observation_system\data\chapters\streamlit\chroma_store"
client = chromadb.PersistentClient(path=db_path)
col = client.get_or_create_collection("dokusa_paragraphs_paragraphs")
model = SentenceTransformer("all-MiniLM-L6-v2")
# ---------------------------
# ユーティリティ
# ---------------------------
def highlight_keywords(text, query):
    """クエリに含まれる単語を本文中でハイライト"""
    for word in query.split():
        if word.strip():
            text = re.sub(f"({re.escape(word)})", r"**\1**", text)
    return text
def extract_common_words(query, paragraph):
    """クエリと段落の共通語を拾う簡易説明"""
    q_words = set(query.split())
    p_words = set(paragraph.split())
    common = q_words & p_words
    return list(common)
# ---------------------------
# UI
# ---------------------------
st.set_page_config(page_title="道草日記ワールド (段落検索＋説明)", layout="wide")
st.title(" 道草日記ワールド - 段落検索 + 意味の説明")
query = st.text_input(" 検索クエリを入力してください", "船着き場 石段")
n_results = st.slider("表示件数", 5, 50, 10)
st.sidebar.write(" コレクション件数:", col.count())
if st.button("検索"):
    if query.strip():
        q_emb = model.encode([query])
        res = col.query(
            query_embeddings=q_emb.tolist(),
            n_results=n_results,
            include=["documents", "metadatas", "distances"]  # ← embeddingsは不要だが documents/metadatasを必ず返す
        )
        # res が None でないか、documents が含まれるかチェック
        if res and res.get("documents") and len(res["documents"]) > 0 and len(res["documents"][0]) > 0:
            for doc, meta, dist in zip(
                res["documents"][0],
                res["metadatas"][0],
                res["distances"][0]
            ):
                # JSONからチャプター復元
                chapters_str = meta.get("chapters", "[]") if meta else "[]"
                try:
                    chapters = json.loads(chapters_str)
                except Exception:
                    chapters = []
                # 類似度スコア（距離を近似スコア化）
                score = 1 - dist if dist is not None else 0.0
                with st.container():
                    st.markdown("### 段落")
                    st.markdown(highlight_keywords(doc, query))
                    st.markdown(f" **類似度スコア:** {score:.3f}")
                    common = extract_common_words(query, doc)
                    if common:
                        st.write(f" 共通語: {', '.join(common)}")
                    if chapters:
                        st.markdown("** 関係チャプター:**")
                        for ch in chapters:
                            dt = ch.get("datetime", "")
                            url = ch.get("url", "")
                            if url:
                                st.markdown(f"- {dt} - [YouTubeリンク]({url})")
                            else:
                                st.markdown(f"- {dt}")
                    st.markdown("---")
        else:
            st.warning("検索結果がありません。")
            st.write("Raw result:", res)

以上、これまでの結果を踏まえて、これ以上の方法の探索を中断することに決めた。ほぼ、すべての手法を見たことになるだろう。試さなかったのはRAGと本格的なLLMだけだろう。現時点、成り行き上、使用データは一日分、400チャプター、80段落程度の量だ。情報は複雑だが、相互の類似度は低いはず。このままで意味的なものの表現力を評価・判断するのは危険だろう。少なくとも10日分のデータを入れてみたい。字幕を整備してがんばれば、少なくとも150日分程度、準備できるわけだから、オーダーをもう一桁上げることができる。

あなた:

単に検索して結果を加工して表示するだけなら自分でできるのです。しかし、データ全体を俯瞰してデータ構造の特徴をビジュアル化するなどを期待していたのです。

ChatGPT:

なるほど、よくわかりました。ユーザーさんの本当の狙いは「検索」ではなくて、データ全体を俯瞰して構造的な特徴を可視化すること」ですね。

検索 vs 構造可視化

検索

→ 「第一船着き場」を探す、関連段落を見つける

→ キーワード検索や埋め込み検索で対応可能

構造可視化

→ 「どんな場所のタグが多いのか」「船着き場とベンチはどう繋がっているのか」

→ ネットワーク図、クラスタリング、時間変化の可視化などが有効

検索だけだと「点」を見ているに過ぎず、可視化を通して初めて「面・全体像」が見えてくる、ということですね。

今あるデータでできること（可視化アイデア）

共起ネットワーク

段落ごとに登場するハッシュタグをノードにする

一緒に出現したらリンクを張る

→ 「船着き場」と「ベンチ」が近いとか、「天候」と「川の様子」が繋がっているとかが見える

時系列マップ

各段落に付いた datetime を使い、時間の流れに沿ってタグやカテゴリがどう出現するかをプロット

→ 季節性や散歩ルートでの特徴が見える

クラスタリング＋UMAP/t-SNE

段落Embeddingを2次元に圧縮して散布図化

近い段落がまとまってプロットされ、テーマごとの固まりが視覚的に把握できる

ヒートマップや棒グラフ

タグの出現頻度ランキング

→ 「一番よく出てくる場所カテゴリは？」がひと目でわかる

方向性の整理

「検索」だけだと単発的で物足りない

「俯瞰＋可視化」を追加するとデータの構造（道草の世界観そのもの）が浮かび上がる

そのためには Embedding とタグ情報を両方使い、→ ネットワーク図や時系列プロットを作るのが次のステップ

ご提案ですが、次に進むなら、まず「タグの共起ネットワーク」を描いてみませんか？

可視化に使うのは Python の networkx + pyvis（ブラウザでインタラクティブに見られる）や、

ご希望に合わせて、コード例を用意できますが、

ネットワーク図（タグ同士の繋がり）から試したいですか？

それともまずは時系列変化を見てみたいですか？

あなた:

これまでもずっとそれをやってきたのですね。延々と様々な方法を試してきたのです。リミットを5回は越えていますよ。なかなか答えに辿り着かない。お陰様で様々な知識は得られましたけど。しばらく、チャプターデータを整備してデータを増やします。それでこれまで得たたくさんの方法をもう一度試してみましょう。また、相談に乗ってください。

ChatGPT:

おっしゃる通りですね。すでにここまでで相当な試行錯誤と実験を積み重ねてこられましたから、単に「新しい方法」を足すだけではなく、これまでに得た知識を整理してデータを増やしながら再挑戦するのが一番実りが大きいと思います。

今できていること

チャプター・段落の抽出

埋め込み検索の仕組み（うまく動作）

ネットワーク・時系列などの可視化の方向性

次に取り組まれること

チャプターデータの整備・拡張（ここが土台になるからこそ「俯瞰したときに意味が浮かび上がる」）

データが増えたときに「これまで試した色んな方法」を再適用して比較する

私にできること

そのときに「どの可視化手法がデータに一番合うか」を一緒に見極める

データ量が増えたときの処理効率の工夫（遅くならない工夫）

直感的に「ここが繋がっている」と思える可視化に近づけるアドバイス

まとめると、今は土台（チャプターデータ整備）に集中して、再チャレンジのときに知識を活かすフェーズですね。

もちろん、またいつでも相談してください。こちらこそ、長く伴走させてもらえてありがたいです

ちなみにですが、データを増やした後に「まず再チャレンジする可視化」は、共起ネットワークと時系列のどちらからにしますか？

更新: 2025-09-06T13:55:44+09:00

[A.I.] LLMの記憶と人間の記憶 6 - 休憩時間付きGPT-5無料プランを結局さらに使って疲れる

まあ、もう止めておこう。休憩時間はあるものの、チャットに付き合うのに疲れてしまう。拡張ハッシュタグのキーワード-カテゴリのカテゴリを拡張(複数化)すると、さらにネットワークが構造化することがわかってきた。{09/03/2025: [A.I.]LLMの記憶と人間の記憶 3 - 文脈記憶を廻って}←と同じスクリプトで、カテゴリを拡張(複数化)した入力データに変えただけ。単独では中味のないチャプターがネットワークの遠くに飛んでしまって離れてしまうのを構造の近くに留めるためにはカテゴリを付加してやればよいことも確認した。データで表現を制御できることが明確になった。当たり前のことだが、方法として意味がありそうなので、少し丁寧にコードを読もうと思う。

道草日記 139 カテゴリを拡張した拡張ハッシュタグ＜付き＞チャプターの意味ネットワークの一部

使用言語モデルは「all-MiniLM-L6-v2」。sentence-transformers/all-MiniLM-L6-v2 ・ Hugging Face。

これをベースに検索インターフェースを加えようとチャットを続けたのだが、メッセージの制限にぶつかり、引き継ごうと意図したが、うまく実現できないままに、さらに制限に引っ掛かった。ここまで来たら、自ら少し考えてみようと思ったわけ。日記にコードを記録して、日記を読みながら考えようというわけだ。記憶ヴュワーとしての更新日記ということ。

# pip install sentence-transformers scikit-learn pandas numpy
import pandas as pd
from sentence_transformers import SentenceTransformer
from sklearn.cluster import KMeans
from sklearn.metrics.pairwise import cosine_similarity
import json
# 1. TSV読み込み
df = pd.read_csv("139all_chap_with_paragraph_r3_ecat.txt", sep="\t", names=["diary_ID","video_num","datetime","url","text"])
# 2. Embedding生成
model = SentenceTransformer('all-MiniLM-L6-v2')
embeddings = model.encode(df["text"].tolist())
df["embedding"] = embeddings.tolist()
# 3. クラスタリング
kmeans = KMeans(n_clusters=5, random_state=0).fit(embeddings)  # n_clustersは調整
df["cluster"] = [f"cluster_{c}" for c in kmeans.labels_]
# 4. 類似度リンク作成
links = []
threshold = 0.55
for i in range(len(df)):
    for j in range(i+1, len(df)):
        sim = cosine_similarity([df.iloc[i]["embedding"]],[df.iloc[j]["embedding"]])[0][0]
        if sim > threshold:
            links.append({
                "source": f"{df.iloc[i]['diary_ID']}_{df.iloc[i]['video_num']}_{i}",
                "target": f"{df.iloc[j]['diary_ID']}_{df.iloc[j]['video_num']}_{j}",
                "similarity": sim
            })
def youtube_id_from_url(url: str) -> str:
    if "youtu.be/" in url:
        return url.split("youtu.be/")[1].split("?")[0]
    elif "watch?v=" in url:
        return url.split("watch?v=")[1].split("&")[0]
    return None
def official_thumbnail_url(url: str) -> str:
    video_id = youtube_id_from_url(url)
    return f"https://img.youtube.com/vi/{video_id}/hqdefault.jpg"
# 5. ノード作成（複数動画を区別）
nodes = []
for idx, row in df.iterrows():
    node_id = f"{row['diary_ID']}_{row['video_num']}_{idx}"
    thumb_url = official_thumbnail_url(row["url"])
    nodes.append({
        "id": node_id,
        "diary_ID": row["diary_ID"],
        "video_num": int(row["video_num"]),
        "datetime": row["datetime"],
        "text": row["text"],
        "cluster": row["cluster"],
        "video": row["url"],
        "thumbnail": thumb_url   # ← 公式サムネイルのURL
    })
# 6. JSON出力
output = {"nodes": nodes, "links": links}
with open("139all_chap_with_paragraph_r3_ecat.json","w",encoding="utf-8") as f:
    json.dump(output,f,ensure_ascii=False,indent=2)
print("JSON生成完了：139all_chap_with_paragraph_r3_ecat.json")

<!DOCTYPE html>
<html lang="ja">
<head>
<meta charset="UTF-8">
<title>道草日記 意味ネットワークビュワー</title>
<script src="https://d3js.org/d3.v7.min.js"></script>
<style>
  body { font-family: sans-serif; margin: 20px; }
  svg { border: 1px solid #ccc; border-radius: 8px; }
  .node { stroke: #fff; stroke-width: 1.5px; cursor: pointer; }
  .tooltip { 
    position: absolute; 
    background: #fff; 
    padding: 10px; 
    border: 1px solid #ccc; 
    border-radius: 5px;
    box-shadow: 2px 2px 5px rgba(0,0,0,0.2);
    pointer-events: none; 
    display: none;
    max-width: 250px;
  }
</style>
</head>
<body>
<h1>道草日記 意味ネットワークビュワー</h1>
<p>ノードをクリックすると該当シーンのYouTubeリンクが開きます。</p>
<div id="graph"></div>
<div class="tooltip" id="tooltip"></div>
<script>
  // JSONデータ読み込み
  d3.json("139all_chap_with_paragraph_r3_ecat.json").then(data => {
    const nodes = data.nodes;
    const links = data.links;
    const width = 3000, height = 3000;
    const svg = d3.select("#graph").append("svg")
                  .attr("width", width)
                  .attr("height", height);
    const color = d3.scaleOrdinal(d3.schemeCategory10);
    const simulation = d3.forceSimulation(nodes)
      .force("link", d3.forceLink(links).id(d=>d.id).distance(150))
      .force("charge", d3.forceManyBody().strength(-300))
      .force("center", d3.forceCenter(width/2, height/2));
    const link = svg.append("g")
      .attr("stroke", "#999")
      .attr("stroke-opacity", 0.6)
      .selectAll("line")
      .data(links)
      .join("line")
      .attr("stroke-width", d => 1 + d.similarity*2);
    const node = svg.append("g")
      .selectAll("circle")
      .data(nodes)
      .join("circle")
      .attr("r", 20)
      .attr("fill", d=>color(d.cluster))
      .attr("class","node")
      .call(drag(simulation));
    const label = svg.append("g")
      .selectAll("text")
      .data(nodes)
      .join("text")
      .text(d => d.id)
      .attr("font-size", "10px")
      .attr("dy", 4)
      .attr("text-anchor", "middle");
    const tooltip = d3.select("#tooltip");
    node.on("mouseover", (event,d)=>{
      tooltip.style("display","block")
        .html(`
          <strong>${d.cluster}</strong><br>
          ${d.text}<br>
          <img src="${d.thumbnail}" alt="thumb" width=""200"><br>"
          <a href="${d.video}" target="_blank">? YouTubeで見る</a>
        `);
    }).on("mousemove", (event)=>{
      tooltip.style("left",(event.pageX+10)+"px")
        .style("top",(event.pageY+10)+"px");
    }).on("mouseout", ()=>{
      tooltip.style("display","none");
    }).on("click", (event,d)=>{
      window.open(d.video, "_blank");
    });
    simulation.on("tick", ()=>{
      link.attr("x1", d=>d.source.x)
          .attr("y1", d=>d.source.y)
          .attr("x2", d=>d.target.x)
          .attr("y2", d=>d.target.y);
      node.attr("cx", d=>d.x)
          .attr("cy", d=>d.y);
      label.attr("x", d=>d.x)
           .attr("y", d=>d.y+35);
    });
    function drag(simulation){
      function dragstarted(event,d){
        if(!event.active) simulation.alphaTarget(0.3).restart();
        d.fx = d.x; d.fy = d.y;
      }
      function dragged(event,d){
        d.fx = event.x; d.fy = event.y;
      }
      function dragended(event,d){
        if(!event.active) simulation.alphaTarget(0);
        d.fx = null; d.fy = null;
      }
      return d3.drag()
               .on("start", dragstarted)
               .on("drag", dragged)
               .on("end", dragended);
    }
  });
</script>
</body>
</html>

新たな展開があるとすれば、日本語に適した新しい言語モデルを試したこと。これをチャプターネットワークでも試してみよう。「all-MiniLM-L6-v2」に代えて、「paraphrase-multilingual-MiniLM-L12-v2」と「sentence-transformers/paraphrase-multilingual-mpnet-base-v2」の二つ。

道草日記 139 カテゴリを拡張した拡張ハッシュタグ＜付き＞チャプターの意味ネットワーク(言語モデル: paraphrase-multilingual-MiniLM-L12-v2)

sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 ・ Hugging Face。

道草日記 139 カテゴリを拡張した拡張ハッシュタグ＜付き＞チャプターの意味ネットワーク(言語モデル: sentence-transformers/paraphrase-multilingual-mpnet-base-v2)

sentence-transformers/paraphrase-multilingual-mpnet-base-v2 ・ Hugging Face。

PythonのSentenceTransformerを用いた文章類似度比較から、sentence transformersで日本語を扱えるモデルのまとめ - Yellowback Tech Blogを辿って、SentenceTransformers Documentation - Sentence Transformers documentationを確認している。AIとの対話だけではこういう情報は現れない。訊けば答えるだろうが、なぜそんなことをするのかは、自分自身で尋ねたり、調べる必要がある。

クラスタリングについては、k-meansとk-means++を視覚的に理解する~Pythonにてスクラッチから~ - データの裏側を歩くやk-means法によるクラスタリングと可視化 - 電通総研テックブログを見ておく必要があるね。

更新: 2025-09-09T10:52:30+09:00

[A.I.] LLMの記憶と人間の記憶 7 - 休憩時間付きGPT-5無料プランをどう使うか？からClaudeへ？

道草日記意味ネットワーク検索ビュワー(Pan ＆ Zoom)。ようやく、PCでは使えるものになってきた。しかし、モバイルファーストの時代。

ChatGPTでは遅々としか進まず、身体に悪いので、とうとうClaudeに調整を頼んだ。「添付のHTMLをPCとモバイルの両方でバランスよく操作し表示できるように調整してください。」と書いただけ。自分で弄り始めたHTMLを添付して。あっという間にレスポンシヴ・ネットワーク・ビュワーが出来上がった。早くすればよかったと悔やむばかりだ。

このHTMLファイルを分析して、PCとモバイルの両方で使いやすくなるよう調整いたします。主な改善点として、レスポンシブデザイン、タッチ操作の最適化、UIの改善を行います。

PCとモバイルの両方で快適に使用できるように、以下の改善を行いました：

主な改善点

モバイル対応

レスポンシブデザイン: 画面サイズに応じてレイアウトが自動調整

タッチ操作最適化: スワイプやピンチズームに対応

適切なフォントサイズ: モバイルでも読みやすいサイズに調整

UI/UX改善

モダンなデザイン: カードスタイルのレイアウトとシャドウ効果

滑らかなアニメーション: パネル開閉やズーム操作に自然な動き

直感的なコントロール: リセットボタンと全体表示ボタンを追加

機能強化

エラーハンドリング: データファイルが見つからない場合の適切な表示

キーボードショートカット: Enterキーで検索、Escapeキーでパネルを閉じる

自動リサイズ: ウィンドウサイズ変更に自動対応

表示最適化

ノードサイズ: テキスト長に応じて動的にサイズ調整

ズーム範囲拡大: より細かい表示から全体表示まで対応

衝突検出: ノード同士の重なりを防止

操作性向上

情報パネル: 下部からスライドアップする使いやすいパネル

検索機能: 大文字小文字を区別しない検索

背景クリック: パネル外をクリックで閉じる

これで、スマートフォンからデスクトップPCまで、どのデバイスでも快適にネットワークを探索できるようになります！

レスポンシヴ・ネットワーク・ビュワー arranged by Claude Sonnet 4 on iPhone XR

レスポンシヴ・ネットワーク・ビュワー arranged by Claude Sonnet 4。

Claudeの凄さは既に体感している{08/02/2025: [A.I.]Claudeとの対話 - 読書データベースから読書マップへ}←ものの、試行錯誤もむしろ勉強になるかもと思って、ChatGPTを続けていた。「Claude Codeとの日々、現役エンジニアのリアルな感想」の巻 Basuke Suzuki チャンネル登録者数 4380人を見て、やはりClaudeを試して損はないと思い立った。

更新: 2025-09-09T23:16:37+09:00

[A.I.] LLMの記憶と人間の記憶 8 - GPT-5とClaudeの並行空間をどう使うか？

さてさてと思っていたら、今朝、「ChatGPT」の「プロジェクト」機能、無料ユーザーにも提供開始 - ZDNET Japan(Sabrina Ortiz （ZDNET.com）翻訳校正：矢倉美登里長谷睦（ガリレオ） 2025-09-05 10:05)の記事をGMAIL経由で見つけた。最後の方に次のような記載がある。

さらに、サイドバーに表示されている以前交わしたチャットをプロジェクトに追加することもできる。追加したチャットはプロジェクトに保存も可能で、後で以前のチャットの内容をピックアップする時も、どこで何を探すべきなのか、ChatGPTが明確に把握できる。

今回のアップグレードでは、無料ユーザーへの提供が開始されるだけでなく、プロジェクトごとにアップロード可能なファイル数の増加や、それぞれのプロジェクトをより明確に区別できるように色やアイコンを選べる機能、プロジェクト専用のメモリー管理など、幾つかの役立つ機能も追加された。アップロード可能なファイル数の上限はユーザーが契約しているプランごとに異なり、無料ユーザーは5個、Plusは25個、Proと「Business」「Enterprise」アカウントでは40個と決められている。

はて、無料プランのアップロード可能なファイル数は5個ということだが、プロジェクトについて言っているとすれば、追加したチャットの数も含められるのだろうか、追加したチャットに含まれているファイルはどうカウントされるのだろう。ファイルサイズの問題もある。示されるメッセージのルールがこれまでよくわからないままにそれに従ってきたわけだが、リソースの状況に応じて変化しているように思えた。アップロードされたファイルがあるチャットはGPT-5しか使えないので、GPT-5を使えるようになる時刻まで待つか、アップグレードしてくださいというわけだ。新たにアップロードするには何時何分まで待ってください、というのもあったと思う。休憩時間ができれば、他のAIを使うか、自分で考えるか、そういうことになるしかない。

それはともかく、ChatGPTから逃れようとすると、新しい話題が出てきて、試してみようかということになるんだが。はてはて、止めたほうがよさそうだと虫が知らせる。根本には、取り扱えるコンテキスト長にあるわけで、それが変わるわけではない。物事の頼み方、伝え方の問題なのだ。複雑な内容をどこまで処理できるかは、最小のtokenで複雑な内容を如何にまとめるかということになるだろう。さてさて。確かにプロジェクトのメニューがある。一応タイトルだけは『「図書館帰りの道草日記」の意味ネットワーク・ビュワー』と入れてみたものの、君、何をやりたいのと問われている!

Claudeの画面を見ていると、あーそうだったかと思い出す。デザインは凄いが、本質的な問題、チャプターテキストから読書要素を読み取ることはできていない。これを単純に実現するためには書籍データベースなり著者データベースを持っていて、トークンでデータベース検索をしてヒットするかどうかを確かめる必要がある。WEB検索でもいいだろうが。それができるのは大規模言語モデルをふんだんに使ったアプリケーションだろう。コストが掛かり過ぎるかも知らないが、毎日少しずつならできないこともないか？。{08/02/2025: [A.I.]Claudeとの対話 - 読書データベースから読書マップへ}{道草の現象学 (2025/08/26)}←。

もう一度、スクリプトを調べていると、youtube_reading_database.pyのパターンマッチを書き直せば、一応、現在の思想で読書データベースを構築できるようになりそうだ。しかし、今更、相手の思想に合わせても仕方がない。前もそう思ったはずだ。

更新: 2025-09-11T11:35:20+09:00

[A.I.] LLMの記憶と人間の記憶 9 - LLMの凄さはClaudeで体感できる!

Sentence Transformersを使ってもLLMの十分な能力を引き出せるわけではない。その方向性には限界がある。プログラムを作るのではなくて、LLMそのものに処理を依頼する方向性を試すべきだろうと思い始めた。例えば、チャプターテキストから段落を抽出する処理をテキスト処理などでプログラムするのは困難だ。マークアップすれば別だが(実は、道草マークアップ言語構想がほぼ出来上がっていた)。これをClaudeに頼んでみた。まず、チャプターテキストで話題にしている本の書籍データをjson形式で出力することを鮮やかにやってみせたからだ。唖然とした。

プロンプト1: 添付のチャプターテキストから読書関連の情報を抽出して、著者、タイトル、副タイトル、出版社、出版年、翻訳者、原著タイトル、原出版年でまとめてください。わからない項目は調べて埋めてください。無関係な項目は「N/A」と入力してください。出力形式はjsonにしてください。

[
  {
    "著者": "川上未映子",
    "タイトル": "わたくし率イン歯ー、または世界",
    "副タイトル": "N/A",
    "出版社": "講談社",
    "出版年": "2007",
    "翻訳者": "N/A",
    "原著タイトル": "N/A",
    "原出版年": "N/A",
    "備考": "第一小説集、芥川賞候補作"
  },
  {
    "著者": "川上未映子",
    "タイトル": "ヘブン",
    "副タイトル": "N/A",
    "出版社": "講談社文庫",
    "出版年": "2012",
    "翻訳者": "N/A",
    "原著タイトル": "N/A",
    "原出版年": "N/A",
    "備考": "長編小説"
  },
  {
    "著者": "保坂和志",
    "タイトル": "書きあぐねている人のための小説入門",
    "副タイトル": "N/A",
    "出版社": "中公文庫",
    "出版年": "2008",
    "翻訳者": "N/A",
    "原著タイトル": "N/A",
    "原出版年": "N/A",
    "備考": "小説の書き方指南書"
  },
  {
    "著者": "保坂和志",
    "タイトル": "言葉の外へ",
    "副タイトル": "この世界に立ち向かうための思考",
    "出版社": "河出文庫",
    "出版年": "2012",
    "翻訳者": "N/A",
    "原著タイトル": "N/A",
    "原出版年": "N/A",
    "備考": "思想・エッセイ"
  }
]

チャプターテキストから以下の4冊の書籍情報を抽出し、JSONフォーマットで整理しました：

川上未映子「わたくし率イン歯ー、または世界」 - 芥川賞候補となった川上未映子の第一小説集 KodanshaKodansha

川上未映子「ヘブン」 - 講談社文庫から2012年に出版された長編小説

保坂和志「書きあぐねている人のための小説入門」 - 中公文庫から2008年に出版された小説創作の指南書書きあぐねている人のための小説入門 -保坂和志著｜中公文庫｜中央公論新社

保坂和志「言葉の外へ」 - 河出文庫から2012年に出版された思考に関するエッセイ

これらはすべて日本の作家による原著作品のため、翻訳者、原著タイトル、原出版年の項目は「N/A」としています。読み手の日記では、これらの本を読書中または読書予定として言及されており、特に小説を書くことへの関心が背景にあることが窺えます。

プロンプト2: お見事ですね。備考まで付けていただいてありがとうございます。チャプターテキストから段落を抽出し、段落に関連する書籍データとチャプターを合わせて、jsonデータとして出力ください。

[
  {
    "段落番号": 1,
    "時間範囲": "0:01-0:32",
    "段落内容": "早速始めましょう。川上未映子にちなんでですね。講談社、2007。これなんて読むのかよく知らないんですけど。わたくしりつ。わたくしりつか。インハー、インシーかな。または世界。このタイトルにはちょっと驚きましたね。",
    "関連書籍": [
      {
        "著者": "川上未映子",
        "タイトル": "わたくし率イン歯ー、または世界",
        "副タイトル": "N/A",
        "出版社": "講談社",
        "出版年": "2007",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  },
  {
    "段落番号": 2,
    "時間範囲": "0:39-1:10",
    "段落内容": "わたくしりつはパンパンで奥歯に閉じ込められておる。わたしは奥歯や、ということで。第一小説集ということらしいんですよね。「わたくし率 イン 歯ー、または世界」「感じる専門家 採用試験」というと。「ヘブン」もね。",
    "関連書籍": [
      {
        "著者": "川上未映子",
        "タイトル": "わたくし率イン歯ー、または世界",
        "副タイトル": "N/A",
        "出版社": "講談社",
        "出版年": "2007",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      },
      {
        "著者": "川上未映子",
        "タイトル": "ヘブン",
        "副タイトル": "N/A",
        "出版社": "講談社文庫",
        "出版年": "2012",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  },
  {
    "段落番号": 3,
    "時間範囲": "1:12-2:07",
    "段落内容": "ヘブンは普通の小説。講談社文庫、2012。小説的だけどね。こちらのわたくし率の方は、普通の小説とはちょっと違う感じですよね。ちょっと、ちゃんと読む。実を言うとちゃんと読んでない。ヘブンもちゃんと読めなかったので、またちゃんと読みたいなと思いながらも、なかなかね、本を読むって大変ですよ。ということで、こんなのも読んでますと。読んでますというか、読もうとしてます。という話ですね。これが、",
    "関連書籍": [
      {
        "著者": "川上未映子",
        "タイトル": "ヘブン",
        "副タイトル": "N/A",
        "出版社": "講談社文庫",
        "出版年": "2012",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      },
      {
        "著者": "川上未映子",
        "タイトル": "わたくし率イン歯ー、または世界",
        "副タイトル": "N/A",
        "出版社": "講談社",
        "出版年": "2007",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  },
  {
    "段落番号": 4,
    "時間範囲": "2:11-3:07",
    "段落内容": "世の中なんで小説をね、小説があるのかというか、小説を、平野圭一郎なんかの本は、小説はわかりやすいですよね。非常に緻密に組み立てられてて、エンターテイメントに近いでしょうね。そういう気がします。そういうのと比べるとちょっと違う。これですね、私も小説を書いてみたいなと思っているんですけど、ちょっと書いたりはしたんですけど、公開されるには至ってない。それで、「書きあぐねている人のための小説入門」保坂和志「書きあぐねている人のための小説入門」中公文庫、2008年ですね。これなんか面白い。",
    "関連書籍": [
      {
        "著者": "保坂和志",
        "タイトル": "書きあぐねている人のための小説入門",
        "副タイトル": "N/A",
        "出版社": "中公文庫",
        "出版年": "2008",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  },
  {
    "段落番号": 5,
    "時間範囲": "3:30-4:59",
    "段落内容": "なぜ書くのかっていうのがありますよね。小説を書くということ、感じそして考えること。久しぶりにカモメを見たな。そういうことで、いろいろと書いてあります。こういうのを読んで書いてもしょうがないなという気がするんだけど。でも面白いですね、書かれていることはね。それで、もう一度この人に注目したのは、木田元先生がこの保坂和志に注目しているということをどこかに書かれていたので思ったんですね。確かにそれなりのものがあるなと思って。それ以前から持っているんですけどね。",
    "関連書籍": [
      {
        "著者": "保坂和志",
        "タイトル": "書きあぐねている人のための小説入門",
        "副タイトル": "N/A",
        "出版社": "中公文庫",
        "出版年": "2008",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  },
  {
    "段落番号": 6,
    "時間範囲": "5:02-5:35",
    "段落内容": "保坂和志「言葉の外へ」河出文庫、2012年、この世界に立ち向かうための思考。そういうことですよね。日記とかそういうのは、公開日記みたいなものを書いているので。書いているうちにそれが小説にならないかなと思ったりはしているんですけど、なかなかならないですね。そういうふうなことで、",
    "関連書籍": [
      {
        "著者": "保坂和志",
        "タイトル": "言葉の外へ",
        "副タイトル": "この世界に立ち向かうための思考",
        "出版社": "河出文庫",
        "出版年": "2012",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  },
  {
    "段落番号": 7,
    "時間範囲": "5:40-6:21",
    "段落内容": "書くのは面白いというか。自然言語だけでなくてプログラミング言語もあるので。プログラムを書くというのも、まあちょっと最近、生成AIとね、いろいろ、ディープシークなんかで一緒にプログラムを書いたりしていると、デバッグしていると、もう時間が過ぎるのを忘れてしまって、夜中過ぎて、1時、2時までになるということで体に悪いなと思っています。ちょっと思っているんですけどね。",
    "関連書籍": []
  },
  {
    "段落番号": 8,
    "時間範囲": "6:27-6:59",
    "段落内容": "何か作り出すというのは面白いですね。そういうことで、今日は川上未映子と保坂和志についてちょっと、そういうのを読もうとしているというか。保坂和志はある程度読んだことがあるんですけど、もう一度ね、注目し直したいというふうに思っています。以上です。",
    "関連書籍": [
      {
        "著者": "川上未映子",
        "タイトル": "わたくし率イン歯ー、または世界",
        "副タイトル": "N/A",
        "出版社": "講談社",
        "出版年": "2007",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      },
      {
        "著者": "川上未映子",
        "タイトル": "ヘブン",
        "副タイトル": "N/A",
        "出版社": "講談社文庫",
        "出版年": "2012",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      },
      {
        "著者": "保坂和志",
        "タイトル": "書きあぐねている人のための小説入門",
        "副タイトル": "N/A",
        "出版社": "中公文庫",
        "出版年": "2008",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      },
      {
        "著者": "保坂和志",
        "タイトル": "言葉の外へ",
        "副タイトル": "この世界に立ち向かうための思考",
        "出版社": "河出文庫",
        "出版年": "2012",
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  }
]

チャプターテキストを8つの段落に分割し、各段落の内容と関連する書籍データを組み合わせてJSON形式で出力しました。

各段落には以下の情報を含めています：

段落番号: 1から8までの連番

時間範囲: 音声の開始時間と終了時間

段落内容: その段落で語られている内容

関連書籍: その段落で言及されている書籍の詳細データ

特徴的な点：

段落1-3: 川上未映子の作品について

段落4-6: 保坂和志の作品と小説論について

段落7: プログラミングと生成AIについて（書籍言及なし）

段落8: 全体のまとめ（全書籍を総括）

この構造により、音声内容の流れと書籍情報の関連性が明確に把握できるようになっています。

蔵書データベースのアプリでは、ISBNなどから書籍データを取得して登録するようなことができるが、そもそもISBNを調べて入力する必要がある。チャプターテキストでは喋った本の字幕を間違いないように確定する必要はあるが、おそらくタイトルさえ明確であれば、書籍データをWEBから調べて入力してまとめてくれる。キーワード-カテゴリをマークアップしたり、その辞書をメンテナンスしたりする必要はない可能性が高まった。

ちなみに、ChatGPTでは、関連書籍として認識されてはいるものの「ヘブン」が省略され、備考は付かなかった。省力型になっている。必要ならという続きを求める構成。Claudeは言われたこと以上のことを盛り込んで、完成品を出してくる。文句の付けようがない。トータルとして無駄がないのではと思う。

ついでに、ChatGPTへのプロンプトのリストと最終結果を記録しておこう。段落をどう捉えているか比較のために。

添付のチャプターテキストから読書関連の情報を抽出して、著者、タイトル、副タイトル、出版社、出版年、翻訳者、原著タイトル、原出版年でまとめてください。わからない項目は調べて埋めてください。無関係な項目は「N/A」と入力してください。出力形式はjsonにしてください。
ちょっとピント外れだと思います。添付したチャプターテキストから読書関連の情報を抽出して調べてもらったでしょうか。四冊の書籍が記載されています。
(すみません、添付のチャプターテキストが私の側では確認できていません。もしよろしければ、そのテキストをここに貼っていただけますか？それをもとに、著者・タイトル・副題・出版社・出版年・翻訳者・原著タイトル・原出版年を調べて json 形式でまとめます。)
チャプターテキストから段落を抽出し、段落に関連する「ヘブン」を含めた書籍データとチャプターを合わせて、jsonデータとして出力ください。
全段落を対象にしてください。
「段落ID付き」にしてください。

Claudeでは二度のプロンプトで完璧解になったものが、ChatGPTでは六度のプロンプトが必要になる。細切れ回答の仕方の典型とも言えるが、ある意味、チャットに適した形式である。駄弁っているという感じ。Claudeはほぼ完ぺきな答えが返ってくるので、目的が達成され、会話が止まってしまう。

[
  {
    "id": "para-1",
    "chapter": "0:01",
    "paragraph": "早速始めましょう。",
    "books": []
  },
  {
    "id": "para-2",
    "chapter": "0:10-0:57",
    "paragraph": "川上未映子にちなんでですね。講談社 、2007 。...「わたくし率 イン 歯ー、または世界 」",
    "books": [
      {
        "著者": "川上未映子",
        "タイトル": "わたくし率イン 歯ー、または世界",
        "副タイトル": "",
        "出版社": "講談社",
        "出版年": 2007,
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  },
  {
    "id": "para-3",
    "chapter": "1:02",
    "paragraph": "「感じる専門家 採用試験 」というと。",
    "books": []
  },
  {
    "id": "para-4",
    "chapter": "1:10-1:14",
    "paragraph": "「ヘブン」もね。ヘブンは普通の小説。講談社文庫 、2012 。",
    "books": [
      {
        "著者": "川上未映子",
        "タイトル": "ヘブン",
        "副タイトル": "",
        "出版社": "講談社文庫",
        "出版年": 2012,
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  },
  {
    "id": "para-5",
    "chapter": "1:19-2:00",
    "paragraph": "こちらのわたくし率の方は、普通の小説とはちょっと違う感じですよね。ちょっと、ちゃんと読む。実を言うとちゃんと読んでない。ヘブンもちゃんと読めなかったので、またちゃんと読みたいなと思いながらも、なかなかね、本を読むって大変ですよ。ということで、こんなのも読んでますと。読んでますというか、読もうとしてます。",
    "books": []
  },
  {
    "id": "para-6",
    "chapter": "2:07-2:35",
    "paragraph": "世の中なんで小説をね、小説があるのかというか、平野圭一郎なんかの本は、小説はわかりやすいですよね。非常に緻密に組み立てられてて、エンターテイメントに近いでしょうね。そういう気がします。そういうのと比べるとちょっと違う。",
    "books": []
  },
  {
    "id": "para-7",
    "chapter": "2:40-2:49",
    "paragraph": "これですね、私も小説を書いてみたいなと思っているんですけど、ちょっと書いたりはしたんですけど、公開されるには至ってない。",
    "books": []
  },
  {
    "id": "para-8",
    "chapter": "2:54-3:07",
    "paragraph": "「書きあぐねている人のための小説入門」保坂和志「書きあぐねている人のための小説入門」中公文庫 、2008 年ですね。これなんか面白い。",
    "books": [
      {
        "著者": "保坂和志",
        "タイトル": "書きあぐねている人のための小説入門",
        "副タイトル": "実作者が教える、必ず書けるようになる小説作法",
        "出版社": "中央公論新社（中公文庫）",
        "出版年": 2008,
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  },
  {
    "id": "para-9",
    "chapter": "3:30-4:09",
    "paragraph": "なぜ書くのかっていうのがありますよね。小説を書くということ、感じそして考えること。久しぶりにカモメを見たな。そういうことで、いろいろと書いてあります。こういうのを読んで書いてもしょうがないなという気がするんだけど。でも面白いですね、書かれていることはね。",
    "books": []
  },
  {
    "id": "para-10",
    "chapter": "4:15-4:59",
    "paragraph": "それで、もう一度この人に注目したのは、木田元先生がこの保坂和志に注目しているということをどこかに書かれていたので思ったんですね。確かにそれなりのものがあるなと思って。それ以前から持っているんですけどね。",
    "books": []
  },
  {
    "id": "para-11",
    "chapter": "5:02-5:09",
    "paragraph": "保坂和志「言葉の外へ」河出文庫 、2012 年、この世界に立ち向かうための思考 。そういうことですよね。",
    "books": [
      {
        "著者": "保坂和志",
        "タイトル": "言葉の外へ",
        "副タイトル": "この世界に立ち向かうための思考",
        "出版社": "河出書房新社（河出文庫）",
        "出版年": 2012,
        "翻訳者": "N/A",
        "原著タイトル": "N/A",
        "原出版年": "N/A"
      }
    ]
  },
  {
    "id": "para-12",
    "chapter": "5:20-6:27",
    "paragraph": "日記とかそういうのは、公開日記みたいなものを書いているので。書いているうちにそれが小説にならないかなと思ったりはしているんですけど、なかなかならないですね。そういうふうなことで、書くのは面白いというか。自然言語だけでなくてプログラミング言語もあるので。プログラムを書くというのも、まあちょっと最近、生成AIとね、いろいろ、ディープシークなんかで一緒にプログラムを書いたりしていると、デバッグしていると、もう時間が過ぎるのを忘れてしまって、夜中過ぎて、1時、2時までになるということで体に悪いなと思っています。ちょっと思っているんですけどね。何か作り出すというのは面白いですね。",
    "books": []
  },
  {
    "id": "para-13",
    "chapter": "6:33-6:59",
    "paragraph": "今日は川上未映子と保坂和志についてちょっと、そういうのを読もうとしているというか。保坂和志はある程度読んだことがあるんですけど、もう一度ね、注目し直したいというふうに思っています。以上です。",
    "books": []
  }
]

段落は13に細かく分かれているためか、段落に関連する書籍は直接的に関連する段落にあるだけ。Claudeは思考の流れを捉えて8段落にまとめ、段落ごとに意味的に関連する書籍を載せている。私自身がマークアップした段落は7つ、意味を考えるとこれぐらいになるはず。Claudeは凄いと思う。これでもいいねと、任せてもいい感じのレベルに達している。

テストに使ったチャプターテキストには、図書館帰りの道草日記 138 一人読書会更新日記: 駱駝・楽土・AIカフェ　図書館帰りの道草日記　散歩世界プロジェクト 2025/07/23の説明欄のテキストを下記のPerlスクリプトでクリーンにして使っている。字幕中の拡張ハッシュタグ、および字幕の外の追加ハッシュタグや括弧付き説明を削除して、発話された生字幕テキストだけにしている。

while(<>){
	s/ 「(.+)」[\#\(].+\)$/ $1/;
	s/ 「(.+)」$/ $1/;
	s/(第[1-9一-九])\@?\#([^ ]+) \([^)]+\)/$1$2/g;
	s/\@?\#([^ ]+) \([^)]+\)/$1/g;
	s/\@([^(]+)\([^)]+\)/$1/g;
	s/[{}]+//g;
	print;
}

更新: 2025-09-12T10:46:55+09:00

[A.I.] LLMの記憶と人間の記憶 10 - Sentence Transformers - Claudeとの対話

{09/09/2025: [A.I.]LLMの記憶と人間の記憶 7 - 休憩時間付きGPT-5無料プランをどう使うか？からClaudeへ？}←のレスポンシブ・ネットワーク・ビュワーを使って拡張ハッシュタグ抜き意味的ネットワーク・ビュワー。拡張ハッシュタグ抜きでも構造はキチンとできてるね。しかし、構造はあるものの、クラスタの中味を見ると関係性がはっきりしない。ついでに、jsonデータ生成スクリプトもClaudeにチェックしてもらう。道草日記意味ネットワークビュワー with data arranged by Claude Sonnet 4。なんとクラスタが大きく別れた構造が見えた。

こうなると「Sentence Transformersを使ってもLLMの十分な能力を引き出せるわけではない。その方向性には限界がある。プログラムを作るのではなくて、LLMそのものに処理を依頼する方向性を試すべきだろうと思い始めた。」について、本当にそうかを確かめておこうと思った。

LLMのAPIを使えば、プログラミングも可能だが、これまではLLMを使わないこと、無料であることを前提としてきた。しかし、無料プランを使えばLLMは使える。そういうわけだが。その前にしておくべきことがある。

私: 毎度お世話になります。sentence transformersはLLMと同じようなことができますか？

Claude:

いつもお世話になっております。

Sentence Transformersは、LLMと一部重複する機能がありますが、基本的には異なる目的で設計されています。

Sentence Transformersができること：

テキストを高品質な埋め込み（embedding）ベクトルに変換

文章同士の意味的類似度計算

セマンティック検索

クラスタリング、分類などの下流タスク

LLMと比較した主な違い：

テキスト生成能力：Sentence Transformersは基本的にテキスト生成ができません。LLMのように新しい文章を作ったり、対話したりする機能はありません。

用途の特化：LLMは汎用的な言語理解・生成が可能ですが、Sentence Transformersは「文章の意味を数値ベクトルで表現する」ことに特化しています。

計算効率：埋め込み生成においては、Sentence TransformersはLLMより軽量で高速です。

実用的な使い分け：

Sentence Transformers：検索システム、レコメンデーション、文書分類

LLM：チャットボット、文章生成、複雑な推論タスク

そういうわけで、しばらくClaudeと対話を続けてみよう。

これまでは、動画に対応するチャプターテキスト単位でクラスタリングを試みていた(拡張ハッシュタグの有無を考慮)。チャプターテキストは字幕なので、文の断片であり、したがって意味の断片である。これを基本にして意味ネットワークを考えるのはもともと無理がある。そこで、チャプターテキストから文を生成してクラスタリングに使う、段落を生成してクラスタリングに使う、その中で意味的類似度による段落化と時間的・話題的な段落境界検出を試す。

チャプターテキストから文を生成してクラスタリング

チャプターテキストから段落を生成してクラスタリング(意味的類似度による段落化)

チャプターテキストから段落を生成してクラスタリング(時間的・話題的な境界検出)

ここまで来るのに一日、超ハイスピードなので、内容の細部の確認はこれから。方法を変えて結果を見るだけでは本質に迫れない。拡張ハッシュタグのカテゴリ文字列の効果は歴然としているが、Claudeのスクリプトの効果のほうがはるかに大きい。文や段落を考慮しなくてもクラスタは大きく分離している。さてさて、何にどういう意味があるのか、効果があるのか。コードを確認する必要がある。

更新: 2025-09-13T11:59:20+09:00

[A.I.] LLMの記憶と人間の記憶 11 - 事前定義カテゴリによるクラスター概念制御 - Claudeとの対話

文や段落を考慮したとしても、生成するクラスタにどのような意味があるのかわからないように思える。もともとそういう無意味な組み立てでスクリプトが出てきているのは良くないよね。中途半端で先に進めない。しかし、自然に含まれる概念が浮かび上がれば素晴らしい。尤も、字幕チャプターにそれを期待する方がおかしいかな。拡張ハッシュタグや読書タグに相当する仕組みが必要と思うわけだが、現実は変わらない。

私: 8日分24動画のデータを入れてみました。検索してみると、検索語を含むチャプターは近い位置に集まっていますが、クラスタの意味は不明な感じです。クラスタの概念を制御できないでしょうか。それをクラスタのタイトルにしたいですね。自然観察は魚、鳥、虫、甲殻類などの動物、樹木、低木、草花、キノコなどの植物・地衣類、潮位・水位、透明度、水温、干潟と船着き場の石段・石畳の話題、読書関係、道草日記収録・表現のテクノロジー・アウトプットが内容になります。

PS D:\nature_observation_system\data\chapters> python chapters_network_gen6c_m2_cleaned_ex2.py
cluster_1: 1217件のチャプター
cluster_3: 426件のチャプター
cluster_2: 59件のチャプター
cluster_4: 302件のチャプター
cluster_0: 142件のチャプター
生成されたリンク数: 102662
JSON生成完了：129-140-wwp27_chap_cleaned_gen6c_model2.json

Claude: 素晴らしい進展ですね！8日分24動画で2146チャプターという豊富なデータが得られています。クラスター分析の結果を見ると、確かにクラスターの意味的解釈が課題ですね。

クラスター概念制御のアプローチ

セマンティック・ラベリング手法

キーワード分析によるクラスター特徴抽出

python
# 各クラスターの特徴的キーワード抽出
def extract_cluster_keywords(cluster_texts, top_n=10):
    vectorizer = TfidfVectorizer(max_features=1000, stop_words='japanese')
    cluster_tfidf = vectorizer.fit_transform(cluster_texts)
    feature_names = vectorizer.get_feature_names_out()
    # 各クラスターの特徴スコア計算
    return top_keywords

事前定義カテゴリでの制御

あなたが挙げた内容カテゴリを基に：

python
predefined_categories = {
    'marine_life': ['魚', '甲殻類', '潮位', '水位', '透明度', '水温'],
    'terrestrial_animals': ['鳥', '虫', '動物'],
    'plants': ['樹木', '低木', '草花', 'キノコ', '地衣類'],
    'infrastructure': ['干潟', '船着き場', '石段', '石畳'],
    'reading': ['読書', '本', '著者'],
    'technology': ['収録', '表現', 'テクノロジー', 'アウトプット']
}

階層クラスタリング + ラベル付け

段階的アプローチ

python
# Step 1: 大分類（自然観察 vs 読書 vs 技術）
# Step 2: 中分類（動物 vs 植物 vs 環境）
# Step 3: 小分類（具体的な対象）

LLMベースのクラスター解釈

各クラスターの代表的なテキストをLLMに送って：

prompt
以下のテキスト群の共通テーマを1-3語で要約してください：
- [cluster_sample_texts]

実装の提案

A. 教師ありクラスタリング

python
# 事前定義カテゴリでの分類
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
# カテゴリ辞書を使った分類器訓練
classifier = train_category_classifier(predefined_categories)
cluster_labels = classifier.predict(chapter_texts)

B. トピックモデリング + クラスタリング

python
from sklearn.decomposition import LatentDirichletAllocation
# LDAでトピック抽出 → クラスタリング
lda = LatentDirichletAllocation(n_components=6)
topic_distributions = lda.fit_transform(tfidf_matrix)
# トピック名を自動生成

現在のクラスター分布（cluster_1が1217件と圧倒的）を見ると、恐らく読書関連が支配的になっているのでは？まずは各クラスターの代表的なチャプターテキストを確認して、どのような内容が集まっているか見てみることをお勧めします。

私:

添付: chapters_network_gen6c_m2_cleaned_ex2.py、85行

現在のjson生成スクリプトは、添付するものになります。

Claude: スクリプトを拝見しました。クラスター概念を制御してタイトル化するために、以下のような改良を提案します：

改良版クラスター分析スクリプト

# pip install sentence-transformers scikit-learn pandas numpy
import pandas as pd
from sentence_transformers import SentenceTransformer
from sklearn.cluster import KMeans
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.feature_extraction.text import TfidfVectorizer
from collections import Counter
import json
import re
# 1. TSV読み込み
df = pd.read_csv("129-140-wwp27.txt", sep="\t", names=["diary_ID","video_num","datetime","url","text"])
# 2. 事前定義カテゴリ辞書
predefined_categories = {
    'marine_life': ['魚', '甲殻類', '潮位', '水位', '透明度', '水温', '海', '潮', '波'],
    'birds': ['鳥', '鳴き声', '飛ぶ', 'スズメ', 'カラス', 'ハト'],
    'insects': ['虫', '蝶', '蜂', 'アリ', 'バッタ', '昆虫'],
    'plants': ['樹木', '低木', '草花', 'キノコ', '地衣類', '花', '葉', '木', '植物'],
    'infrastructure': ['干潟', '船着き場', '石段', '石畳', '道', '橋', 'ベンチ'],
    'reading': ['読書', '本', '著者', '小説', '文庫', 'ページ', '内容'],
    'technology': ['収録', '表現', 'テクノロジー', 'アウトプット', '動画', '撮影', 'カメラ']
}
def categorize_text(text, categories):
    """テキストをカテゴリ分類する"""
    scores = {}
    for category, keywords in categories.items():
        score = sum(1 for keyword in keywords if keyword in text)
        if score > 0:
            scores[category] = score
    
    if scores:
        return max(scores, key=scores.get)
    else:
        return 'other'
# 3. Embedding生成
model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')
embeddings = model.encode(df["text"].tolist())
df["embedding"] = embeddings.tolist()
# 4. 事前カテゴリ分類
df["category"] = df["text"].apply(lambda x: categorize_text(x, predefined_categories))
# 5. クラスタリング
kmeans = KMeans(n_clusters=7, random_state=0).fit(embeddings)  # クラスタ数を7に増加
df["cluster"] = kmeans.labels_
# 6. 各クラスターの特徴分析とラベル生成
def analyze_cluster_features(cluster_df):
    """クラスターの特徴を分析してラベルを生成"""
    # カテゴリ分布を確認
    category_dist = cluster_df["category"].value_counts()
    dominant_category = category_dist.index[0] if len(category_dist) > 0 else "unknown"
    
    # 頻出語分析
    all_text = " ".join(cluster_df["text"].tolist())
    
    # 特徴的なキーワード抽出
    keywords = []
    for category, word_list in predefined_categories.items():
        for word in word_list:
            if word in all_text:
                count = all_text.count(word)
                if count > 2:  # 3回以上出現
                    keywords.append((word, count))
    
    # 上位キーワードでラベル生成
    top_keywords = sorted(keywords, key=lambda x: x[1], reverse=True)[:3]
    
    # ラベル決定ロジック
    if dominant_category == "reading" and len([k for k in top_keywords if k[0] in predefined_categories["reading"]]) > 0:
        return "読書・書籍"
    elif dominant_category == "marine_life":
        return "海洋観察"
    elif dominant_category == "birds":
        return "野鳥観察"
    elif dominant_category == "plants":
        return "植物観察"
    elif dominant_category == "infrastructure":
        return "環境・場所"
    elif dominant_category == "technology":
        return "技術・収録"
    elif top_keywords:
        # 上位キーワードからラベル生成
        return f"{top_keywords[0][0]}関連"
    else:
        return f"その他({dominant_category})"
cluster_labels = {}
for cluster_id in sorted(df["cluster"].unique()):
    cluster_df = df[df["cluster"] == cluster_id]
    label = analyze_cluster_features(cluster_df)
    cluster_labels[cluster_id] = label
    print(f"Cluster {cluster_id}: {label} ({len(cluster_df)}件のチャプター)")
    
    # デバッグ情報: カテゴリ分布
    category_dist = cluster_df["category"].value_counts()
    print(f"  カテゴリ分布: {dict(category_dist.head(3))}")
# 7. クラスターラベルをデータフレームに追加
df["cluster_label"] = df["cluster"].map(cluster_labels)
# 8. リンク生成（既存のロジック）
links = []
threshold = 0.55
for cluster_id in df["cluster"].unique():
    cluster_df = df[df["cluster"] == cluster_id]
    cluster_indices = cluster_df.index.tolist()
    
    # 同一クラスタ内でのみリンク生成
    for i, idx_i in enumerate(cluster_indices):
        for j, idx_j in enumerate(cluster_indices):
            if i < j:
                sim = cosine_similarity(
                    [df.iloc[idx_i]["embedding"]], 
                    [df.iloc[idx_j]["embedding"]]
                )[0][0]
                
                if sim > threshold:
                    links.append({
                        "source": f"{df.iloc[idx_i]['diary_ID']}_{df.iloc[idx_i]['video_num']}_{idx_i}",
                        "target": f"{df.iloc[idx_j]['diary_ID']}_{df.iloc[idx_j]['video_num']}_{idx_j}",
                        "similarity": sim,
                        "cluster": cluster_id,
                        "cluster_label": cluster_labels[cluster_id]
                    })
print(f"\n? 生成されたリンク数: {len(links)}")
def youtube_id_from_url(url: str) -> str:
    if "youtu.be/" in url:
        return url.split("youtu.be/")[1].split("?")[0]
    elif "watch?v=" in url:
        return url.split("watch?v=")[1].split("&")[0]
    return None
def official_thumbnail_url(url: str) -> str:
    video_id = youtube_id_from_url(url)
    return f"https://img.youtube.com/vi/{video_id}/hqdefault.jpg"
# 9. ノード作成
nodes = []
for idx, row in df.iterrows():
    node_id = f"{row['diary_ID']}_{row['video_num']}_{idx}"
    thumb_url = official_thumbnail_url(row["url"])
    nodes.append({
        "id": node_id,
        "diary_ID": row["diary_ID"],
        "video_num": int(row["video_num"]),
        "datetime": row["datetime"],
        "text": row["text"],
        "cluster": int(row["cluster"]),
        "cluster_label": row["cluster_label"],
        "category": row["category"],
        "video": row["url"],
        "thumbnail": thumb_url
    })
# 10. クラスター統計情報を追加
cluster_stats = {}
for cluster_id, label in cluster_labels.items():
    cluster_df = df[df["cluster"] == cluster_id]
    cluster_stats[str(cluster_id)] = {
        "label": label,
        "count": len(cluster_df),
        "category_distribution": dict(cluster_df["category"].value_counts()),
        "date_range": {
            "earliest": cluster_df["datetime"].min(),
            "latest": cluster_df["datetime"].max()
        }
    }
# 11. JSON出力
output = {
    "nodes": nodes, 
    "links": links,
    "cluster_stats": cluster_stats,
    "metadata": {
        "total_chapters": len(df),
        "total_clusters": len(cluster_labels),
        "similarity_threshold": threshold,
        "model_used": "paraphrase-multilingual-MiniLM-L12-v2"
    }
}
with open("129-140-wwp27_chap_cleaned_gen6c_model2_labeled.json","w",encoding="utf-8") as f:
    json.dump(output,f,ensure_ascii=False,indent=2)
print("JSON生成完了：129-140-wwp27_chap_cleaned_gen6c_model2_labeled.json")
# 12. クラスター分析結果の要約出力
print("\n=== クラスター分析結果 ===")
for cluster_id in sorted(cluster_labels.keys()):
    stats = cluster_stats[str(cluster_id)]
    print(f"{cluster_labels[cluster_id]}: {stats['count']}件")
    print(f"  期間: {stats['date_range']['earliest']} - {stats['date_range']['latest']}")
    print(f"  主要カテゴリ: {list(stats['category_distribution'].keys())[:3]}")
    print()

主な改良点

事前定義カテゴリシステム

あなたが挙げた内容（海洋生物、鳥類、昆虫、植物、インフラ、読書、技術）を辞書として定義
テキスト内のキーワード出現頻度でカテゴリ分類

クラスターラベル自動生成

各クラスター内の支配的カテゴリを分析
頻出キーワードから意味的なラベルを生成
「読書・書籍」「海洋観察」「野鳥観察」などの分かりやすいタイトル

統計情報の充実

クラスター統計（cluster_stats）を追加
各クラスターの件数、カテゴリ分布、期間範囲
メタデータで分析パラメータを記録

出力データの拡張

ノードにcluster_labelとcategoryを追加
リンクにもcluster_labelを追加
レスポンシブ・ネットワーク・ビュワーでの表示が改善される

デバッグ情報

各クラスターの特徴を詳細に出力
カテゴリ分布の可視化

このスクリプトを使うことで、クラスター1が「読書・書籍」、クラスター2が「海洋観察」のように、意味的に理解しやすいラベルが付くはずです。キーワード辞書は実際のデータを見て調整してください。

「群盲象を撫でる」という諺がある。眼が見えなくても「心眼で見よ」ということかもしれない。水面下の魚を見るように。LLMの動作は心眼で見る必要がある。想像力で見る。上記のスクリプトは「json.dump(output,f,ensure_ascii=False,indent=2)」の箇所が「TypeError: Object of type int32 is not JSON serializable」というエラーになって動かない。Claudeは何度もデバッグに挑戦したがクリアできなかった。我が心眼はお見通しというか、これは無理だなと、自分でググり始めた。「json.dump(output,f,ensure_ascii=False,indent=2, default=float)」で動くようになる。どこに書いてあるかって、ググれば与えられん(json - Convert numpy type to python - Stack Overflow)。こういうのには生成AIは、ChatGPTも同じ、弱いことがわかっている。できることなら最初からできる。付き合っていればわかるよ。細部を見よ、そこに答えがある。

私: HTMLを添付しました。よろしくお願いします。

新しい会話で伝える情報

現在の状況

図書館帰りの道草日記のネットワーク分析プロジェクト
8日分24動画、2146チャプターのデータ
クラスター分析済み（7つのクラスター）

現在のデータ構造

JSONファイルにcluster_labelフィールド付きで出力済み
汽水域観察、野鳥観察、植物観察などのラベル

解決したい課題

レスポンシブ・ネットワーク・ビュワーでクラスターラベルを表示したい
HTMLファイルの修正方法を知りたい

技術スタック

Python（Sentence Transformers、scikit-learn）
HTML/JavaScript/D3.js（推測）でのネットワーク可視化

Claude: 添付されたHTMLファイルを確認しました。このネットワークビューワーでクラスターラベルを表示するための修正方法をお教えします。

現在のコードでは d.cluster を使用してクラスター情報を表示していますが、cluster_label フィールドも活用してより分かりやすい表示にできます。

クラスターラベル対応ネットワークビューワー

<!DOCTYPE html>
<html lang="ja">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width="device-width," initial-scale=1.0">
<title>図書館帰り道草日記 意味ネットワークビュワー</title>
<script src="https://d3js.org/d3.v7.min.js"></script>
<style>
  * {
    box-sizing: border-box;
  }
  
  body { 
    font-family: -apple-system, BlinkMacSystemFont, 'Segoe UI', Roboto, sans-serif; 
    margin: 0;
    padding: 10px;
    background: #f5f5f5;
    overflow-x: hidden;
  }
  
  .header {
    background: white;
    padding: 15px;
    border-radius: 8px;
    box-shadow: 0 2px 4px rgba(0,0,0,0.1);
    margin-bottom: 15px;
  }
  
  h1 { 
    margin: 0 0 10px 0;
    font-size: 1.5rem;
    color: #333;
  }
  
  .description {
    color: #666;
    font-size: 0.9rem;
    margin-bottom: 15px;
  }
  
  .search-container {
    display: flex;
    gap: 8px;
    flex-wrap: wrap;
    margin-bottom: 10px;
  }
  
  #searchBox {
    flex: 1;
    min-width: 200px;
    padding: 10px;
    border: 2px solid #ddd;
    border-radius: 6px;
    font-size: 16px; /* iOS zoom prevention */
  }
  
  .search-btn {
    padding: 10px 20px;
    background: #007bff;
    color: white;
    border: none;
    border-radius: 6px;
    cursor: pointer;
    font-size: 14px;
    white-space: nowrap;
    transition: background 0.2s;
  }
  
  .search-btn:hover {
    background: #0056b3;
  }
  
  .search-btn:active {
    transform: scale(0.98);
  }
  
  .cluster-legend {
    display: flex;
    flex-wrap: wrap;
    gap: 8px;
    margin-top: 10px;
    padding: 10px;
    background: #f8f9fa;
    border-radius: 6px;
    font-size: 12px;
  }
  
  .legend-item {
    display: flex;
    align-items: center;
    gap: 5px;
    padding: 4px 8px;
    background: white;
    border-radius: 4px;
    box-shadow: 0 1px 2px rgba(0,0,0,0.1);
    cursor: pointer;
    transition: all 0.2s;
  }
  
  .legend-item:hover {
    transform: translateY(-1px);
    box-shadow: 0 2px 4px rgba(0,0,0,0.15);
  }
  
  .legend-color {
    width: 12px;
    height: 12px;
    border-radius: 50%;
  }
  
  .legend-item.filtered {
    opacity: 0.3;
  }
  
  #graph {
    background: white;
    border-radius: 8px;
    box-shadow: 0 2px 4px rgba(0,0,0,0.1);
    overflow: hidden;
    position: relative;
  }
  
  svg { 
    display: block;
    width: 100%;
    height: auto;
  }
  
  .node { 
    stroke: #fff; 
    stroke-width: 2px; 
    cursor: pointer;
    transition: all 0.2s ease;
  }
  
  .node:hover {
    stroke-width: 3px;
    filter: brightness(1.1);
  }
  
  .node.filtered {
    opacity: 0.1;
  }
  
  .link.filtered {
    opacity: 0.05;
  }
  
  .tooltip {
    position: absolute;
    background: rgba(0,0,0,0.9);
    color: white;
    padding: 12px;
    border-radius: 8px;
    box-shadow: 0 4px 12px rgba(0,0,0,0.3);
    pointer-events: none;
    display: none;
    max-width: 320px;
    font-size: 13px;
    z-index: 1001;
    line-height: 1.4;
  }
  
  .tooltip img {
    width: 100%;
    height: auto;
    border-radius: 4px;
    margin: 8px 0;
  }
  
  .tooltip a {
    color: #4fc3f7;
    text-decoration: none;
  }
  
  .cluster-badge {
    display: inline-block;
    background: rgba(255,255,255,0.2);
    padding: 2px 6px;
    border-radius: 3px;
    font-size: 11px;
    margin-bottom: 4px;
  }
  
  #infoPanel {
    position: fixed;
    bottom: 0;
    left: 0;
    right: 0;
    max-height: 50vh;
    background: white;
    border-top: 2px solid #ddd;
    box-shadow: 0 -4px 12px rgba(0,0,0,0.15);
    padding: 20px;
    overflow-y: auto;
    font-size: 14px;
    display: none;
    z-index: 1000;
    transform: translateY(100%);
    transition: transform 0.3s ease;
  }
  
  #infoPanel.show {
    transform: translateY(0);
  }
  
  .panel-header {
    display: flex;
    justify-content: space-between;
    align-items: flex-start;
    margin-bottom: 15px;
  }
  
  .close-btn {
    background: #dc3545;
    color: white;
    border: none;
    border-radius: 50%;
    width: 32px;
    height: 32px;
    cursor: pointer;
    font-size: 18px;
    display: flex;
    align-items: center;
    justify-content: center;
    flex-shrink: 0;
  }
  
  .close-btn:hover {
    background: #c82333;
  }
  
  .panel-cluster-info {
    background: #f8f9fa;
    padding: 10px;
    border-radius: 6px;
    margin-bottom: 15px;
  }
  
  .panel-content img {
    width: 100%;
    max-width: 400px;
    height: auto;
    border-radius: 8px;
    margin: 10px 0;
  }
  
  .youtube-link {
    display: inline-block;
    background: #ff0000;
    color: white;
    padding: 12px 20px;
    text-decoration: none;
    border-radius: 6px;
    margin-top: 10px;
    transition: background 0.2s;
  }
  
  .youtube-link:hover {
    background: #cc0000;
  }
  
  .controls {
    position: absolute;
    top: 10px;
    right: 10px;
    display: flex;
    gap: 5px;
  }
  
  .control-btn {
    background: rgba(255,255,255,0.9);
    border: 1px solid #ddd;
    border-radius: 4px;
    padding: 8px;
    cursor: pointer;
    font-size: 12px;
    transition: all 0.2s;
  }
  
  .control-btn:hover {
    background: white;
    box-shadow: 0 2px 4px rgba(0,0,0,0.1);
  }
  
  /* Mobile optimizations */
  @media (max-width: 768px) {
    body {
      padding: 5px;
    }
    
    .header {
      padding: 12px;
    }
    
    h1 {
      font-size: 1.3rem;
    }
    
    .search-container {
      flex-direction: column;
    }
    
    #searchBox {
      min-width: unset;
    }
    
    .cluster-legend {
      flex-direction: column;
      gap: 4px;
    }
    
    .legend-item {
      justify-content: flex-start;
    }
    
    .node {
      stroke-width: 1px;
    }
    
    .tooltip {
      max-width: calc(100vw - 20px);
      font-size: 12px;
    }
    
    #infoPanel {
      max-height: 60vh;
      padding: 15px;
    }
    
    .controls {
      top: 5px;
      right: 5px;
    }
    
    .control-btn {
      padding: 6px;
      font-size: 11px;
    }
  }
  
  /* Very small screens */
  @media (max-width: 480px) {
    .tooltip {
      position: fixed;
      bottom: 20px;
      left: 10px;
      right: 10px;
      max-width: unset;
    }
  }
</style>
</head>
<body>
<div class="header">
  <h1>図書館帰りの道草日記 意味ネットワークビュワー</h1>
  <p class="description">ノードをクリックすると該当シーンの詳細が表示されます。クラスターをクリックしてフィルタリングできます。</p>
  <div class="search-container">
    <input type="text" id="searchBox" placeholder="字幕テキスト検索">
    <button class="search-btn" onclick="searchNodes()">検索</button>
  </div>
  <div class="cluster-legend" id="clusterLegend"></div>
</div>
<div id="graph">
  <div class="controls">
    <button class="control-btn" onclick="resetZoom()">リセット</button>
    <button class="control-btn" onclick="fitToScreen()">全体表示</button>
    <button class="control-btn" onclick="clearFilters()">全表示</button>
  </div>
</div>
<div class="tooltip" id="tooltip"></div>
<div id="infoPanel">
  <div class="panel-header">
    <div></div>
    <button class="close-btn" onclick="hidePanel()">×</button>
  </div>
  <div class="panel-content" id="panelContent"></div>
</div>
<script>
  // グローバル変数
  let svg, g, zoom, simulation, nodes, links, node, link, label;
  let currentTransform = d3.zoomIdentity;
  let filteredClusters = new Set();
  let clusterColors = {};
  let clusterLabels = {};
  
  // JSONデータ読み込み
  d3.json("129-140-wwp27_chap_cleaned_gen7c_model2_labeled_r6.json").then(data => {
    nodes = data.nodes;
    links = data.links;
    // クラスター情報を抽出
    extractClusterInfo();
    createClusterLegend();
    initializeGraph();
  }).catch(error => {
    console.error("データの読み込みに失敗しました:", error);
    d3.select("#graph").html("<p style='padding: 20px; text-align: center; color: #666;'>データファイルが見つかりません</p>");
  });
  function extractClusterInfo() {
    const color = d3.scaleOrdinal(d3.schemeCategory10);
    const clusters = new Set();
    
    nodes.forEach(d => {
      if (d.cluster !== undefined) {
        clusters.add(d.cluster);
        clusterColors[d.cluster] = color(d.cluster);
        // cluster_labelがあればそれを使用、なければcluster番号を使用
        clusterLabels[d.cluster] = d.cluster_label || `クラスター ${d.cluster}`;
      }
    });
  }
  function createClusterLegend() {
    const legend = d3.select("#clusterLegend");
    const clusters = Object.keys(clusterColors).sort((a, b) => a - b);
    
    const legendItems = legend.selectAll(".legend-item")
      .data(clusters)
      .enter()
      .append("div")
      .attr("class", "legend-item")
      .on("click", (event, clusterId) => {
        toggleClusterFilter(clusterId);
      });
    
    legendItems.append("div")
      .attr("class", "legend-color")
      .style("background-color", d => clusterColors[d]);
    
    legendItems.append("span")
      .text(d => clusterLabels[d]);
  }
  function toggleClusterFilter(clusterId) {
    if (filteredClusters.has(clusterId)) {
      filteredClusters.delete(clusterId);
    } else {
      filteredClusters.add(clusterId);
    }
    
    updateVisibility();
    updateLegendAppearance();
  }
  function updateVisibility() {
    // ノードの表示/非表示
    node.classed("filtered", d => filteredClusters.has(String(d.cluster)));
    
    // リンクの表示/非表示（両端のノードが非表示なら非表示）
    link.classed("filtered", d => 
      filteredClusters.has(String(d.source.cluster)) || 
      filteredClusters.has(String(d.target.cluster))
    );
    
    // ラベルの表示/非表示
    label.style("display", d => 
      filteredClusters.has(String(d.cluster)) ? "none" : "block"
    );
  }
  function updateLegendAppearance() {
    d3.selectAll(".legend-item")
      .classed("filtered", d => filteredClusters.has(d));
  }
  function clearFilters() {
    filteredClusters.clear();
    updateVisibility();
    updateLegendAppearance();
  }
  function initializeGraph() {
    // 画面サイズに応じてSVGサイズを設定
    const container = document.getElementById("graph");
    const containerRect = container.getBoundingClientRect();
    const width = containerRect.width;
    const height = Math.max(600, window.innerHeight * 0.6);
    
    svg = d3.select("#graph").append("svg")
              .attr("width", width)
              .attr("height", height)
              .attr("viewBox", `0 0 ${width} ${height}`)
              .attr("preserveAspectRatio", "xMidYMid meet");
    simulation = d3.forceSimulation(nodes)
      .force("link", d3.forceLink(links).id(d=>d.id).distance(100))
      .force("charge", d3.forceManyBody().strength(-200))
      .force("center", d3.forceCenter(width/2, height/2))
      .force("collision", d3.forceCollide().radius(25));
    
    g = svg.append("g");
    
    link = g.append("g")
      .attr("stroke", "#999")
      .attr("stroke-opacity", 0.6)
      .selectAll("line")
      .data(links)
      .join("line")
      .attr("stroke-width", d => Math.max(1, d.similarity*3));
    
    node = g.append("g")
      .selectAll("circle")
      .data(nodes)
      .join("circle")
      .attr("r", d => Math.min(25, Math.max(15, d.text ? d.text.length / 10 : 15)))
      .attr("fill", d => clusterColors[d.cluster] || "#999")
      .attr("class","node")
      .call(drag(simulation));
    
    label = g.append("g")
      .selectAll("text")
      .data(nodes)
      .join("text")
      .text(d => d.id)
      .attr("font-size", "10px")
      .attr("dy", 4)
      .attr("text-anchor", "middle")
      .attr("pointer-events", "none")
      .attr("fill", "#333");
    
    zoom = d3.zoom()
      .scaleExtent([0.1, 10])
      .on("zoom", (event) => {
        currentTransform = event.transform;
        g.attr("transform", event.transform);
      });
    
    svg.call(zoom);
    setupTooltips();
    setupNodeInteractions();
    
    simulation.on("tick", () => {
      link.attr("x1", d=>d.source.x)
          .attr("y1", d=>d.source.y)
          .attr("x2", d=>d.target.x)
          .attr("y2", d=>d.target.y);
      node.attr("cx", d=>d.x)
          .attr("cy", d=>d.y);
      label.attr("x", d=>d.x)
           .attr("y", d=>d.y);
    });
    
    // 初期表示を全体に合わせる
    setTimeout(() => fitToScreen(), 100);
  }
  function setupTooltips() {
    const tooltip = d3.select("#tooltip");
    let tooltipTimeout;
    node.on("mouseover", (event, d) => {
      clearTimeout(tooltipTimeout);
      
      if (window.innerWidth > 768) { // PC only
        const clusterLabel = clusterLabels[d.cluster] || `クラスター ${d.cluster}`;
        
        tooltip.style("display", "block")
          .html(`
            <div class="cluster-badge">${clusterLabel}</div>
            <strong>ID: ${d.id}</strong><br>
            ${d.text ? d.text.substring(0, 100) + (d.text.length > 100 ? '...' : '') : 'テキストなし'}<br>
            ${d.thumbnail ? `<img src="${d.thumbnail}" alt="thumbnail">` : ''}
            ${d.video ? `<br><a href="${d.video}" target="_blank">? YouTubeで見る</a>` : ''}
          `);
      }
    }).on("mousemove", (event) => {
      if (window.innerWidth > 768) {
        tooltip.style("left", Math.min(event.pageX + 10, window.innerWidth - 340) + "px")
          .style("top", Math.max(event.pageY - 10, 10) + "px");
      }
    }).on("mouseout", () => {
      tooltipTimeout = setTimeout(() => {
        tooltip.style("display", "none");
      }, 100);
    });
  }
  function setupNodeInteractions() {
    node.on("click", (event, d) => {
      event.stopPropagation();
      showNodeInfo(d);
    });
    
    // 背景クリックでパネルを閉じる
    svg.on("click", () => {
      hidePanel();
    });
  }
  function showNodeInfo(d) {
    const panel = d3.select("#infoPanel");
    const content = d3.select("#panelContent");
    
    const formattedTime = d.datetime ? formatDateTime(d.datetime) : '日時不明';
    const clusterLabel = clusterLabels[d.cluster] || `クラスター ${d.cluster}`;
    
    content.html(`
      <div class="panel-cluster-info">
        <strong>クラスター:</strong> ${clusterLabel}<br>
        <strong>クラスターID:</strong> ${d.cluster || 'なし'}<br>
        <strong>ノードID:</strong> ${d.id}
      </div>
      <strong>日時:</strong> ${formattedTime}<br>
      <p style="margin: 15px 0; line-height: 1.5;">${d.text || 'テキストがありません'}</p>
      ${d.thumbnail ? `<img src="${d.thumbnail}" alt="thumbnail">` : ''}
      ${d.video ? `<a href="${d.video}" target="_blank" class="youtube-link">? YouTubeで見る</a>` : ''}
    `);
    
    panel.style("display", "block");
    setTimeout(() => panel.classed("show", true), 10);
  }
  function hidePanel() {
    const panel = d3.select("#infoPanel");
    panel.classed("show", false);
    setTimeout(() => panel.style("display", "none"), 300);
  }
  function drag(simulation) {
    function dragstarted(event, d) {
      if (!event.active) simulation.alphaTarget(0.3).restart();
      d.fx = d.x;
      d.fy = d.y;
    }
    
    function dragged(event, d) {
      d.fx = event.x;
      d.fy = event.y;
    }
    
    function dragended(event, d) {
      if (!event.active) simulation.alphaTarget(0);
      d.fx = null;
      d.fy = null;
    }
    
    return d3.drag()
             .on("start", dragstarted)
             .on("drag", dragged)
             .on("end", dragended);
  }
  
  function formatDateTime(isoString) {
    try {
      const dt = new Date(isoString);
      const year = dt.getFullYear();
      const month = dt.getMonth() + 1;
      const day = dt.getDate();
      const hour = dt.getHours();
      const minute = dt.getMinutes();
      const second = dt.getSeconds();
      return `${year}年${month}月${day}日 ${hour}時${minute}分${second}秒`;
    } catch {
      return '日時解析エラー';
    }
  }
  
  function searchNodes() {
    const query = document.getElementById("searchBox").value.trim();
    if (!query) return;
    const regex = new RegExp(query, 'i');
    // 全ノードをリセット
    node.attr("stroke", "#fff")
        .attr("stroke-width", 2)
        .attr("fill", d => clusterColors[d.cluster] || "#999");
    // ヒットノードを強調
    const hits = node.filter(d => d.text && regex.test(d.text))
        .attr("stroke", "red")
        .attr("stroke-width", 4)
        .attr("fill", "yellow");
    if (!hits.empty()) {
      const hitData = hits.data();
      focusOnNodes(hitData);
    } else {
      alert('該当するノードが見つかりませんでした');
    }
  }
  
  function focusOnNodes(nodeData) {
    if (!nodeData.length) return;
    
    // 最初のノードにフォーカス
    const d = nodeData[0];
    const containerRect = document.getElementById("graph").getBoundingClientRect();
    const scale = Math.min(2, containerRect.width / 400);
    
    const transform = d3.zoomIdentity
      .translate(containerRect.width/2 - d.x * scale, containerRect.height/2 - d.y * scale)
      .scale(scale);
    svg.transition()
      .duration(750)
      .call(zoom.transform, transform);
  }
  
  function resetZoom() {
    svg.transition()
      .duration(750)
      .call(zoom.transform, d3.zoomIdentity);
  }
  
  function fitToScreen() {
    if (!nodes || !nodes.length) return;
    
    // ノードの境界を計算
    const xExtent = d3.extent(nodes, d => d.x);
    const yExtent = d3.extent(nodes, d => d.y);
    
    const containerRect = document.getElementById("graph").getBoundingClientRect();
    const padding = 50;
    
    const nodeWidth = xExtent[1] - xExtent[0];
    const nodeHeight = yExtent[1] - yExtent[0];
    
    const scale = Math.min(
      (containerRect.width - padding * 2) / nodeWidth,
      (containerRect.height - padding * 2) / nodeHeight,
      1
    );
    
    const centerX = (xExtent[0] + xExtent[1]) / 2;
    const centerY = (yExtent[0] + yExtent[1]) / 2;
    
    const transform = d3.zoomIdentity
      .translate(containerRect.width/2 - centerX * scale, containerRect.height/2 - centerY * scale)
      .scale(scale);
    svg.transition()
      .duration(1000)
      .call(zoom.transform, transform);
  }
  
  // ウィンドウリサイズ対応
  window.addEventListener('resize', () => {
    if (!svg) return;
    
    const container = document.getElementById("graph");
    const containerRect = container.getBoundingClientRect();
    const width = containerRect.width;
    const height = Math.max(600, window.innerHeight * 0.6);
    
    svg.attr("width", width)
       .attr("height", height)
       .attr("viewBox", `0 0 ${width} ${height}`);
    
    if (simulation) {
      simulation.force("center", d3.forceCenter(width/2, height/2));
      simulation.alpha(0.1).restart();
    }
  });
  
  // キーボードショートカット
  document.addEventListener('keydown', (event) => {
    if (event.key === 'Escape') {
      hidePanel();
    } else if (event.key === 'Enter' && document.activeElement.id === 'searchBox') {
      searchNodes();
    }
  });
  
  // グローバル関数として公開
  window.hidePanel = hidePanel;
  window.searchNodes = searchNodes;
  window.resetZoom = resetZoom;
  window.fitToScreen = fitToScreen;
  window.clearFilters = clearFilters;
</script>
</body>
</html>

主な改善点をご説明します：

追加した機能

クラスターラベル表示

cluster_labelフィールドを活用してクラスター名を表示
ない場合は「クラスター N」として表示

クラスター凡例（レジェンド）

ヘッダー部分にクラスターごとの色付き凡例を追加
各クラスターの名前と色を視覚的に確認可能

クラスターフィルタリング機能

凡例をクリックして特定のクラスターを非表示にできる
複数クラスターの組み合わせフィルタリングが可能
「全表示」ボタンでフィルターをリセット

改良されたツールチップ

ツールチップにクラスター名を表示
より分かりやすいレイアウト

詳細パネルの改善

クラスター情報を専用セクションで表示
クラスター名とIDの両方を表示

使用方法

クラスター表示: 各ノードの色でクラスターを識別
フィルタリング: ヘッダーの凡例をクリックしてクラスターを非表示
詳細確認: ノードクリックでクラスター情報含む詳細表示
検索: 従来通りテキスト検索が可能

レスポンシブ対応

モバイルでは凡例を縦並びに変更
タッチ操作に最適化された要素サイズ

このビューワーで、汽水域観察、野鳥観察、植物観察などの各クラスターを視覚的に区別し、興味のあるクラスターだけを表示して分析できるようになります！

成果物。クラスターラベル対応ネットワークビューワー。しかし、これでも足りない。はてさて・・・まあ、ビュワーの形は定まった。まずは良しとしよう。

# 2. 事前定義カテゴリ辞書
predefined_categories = {

　　'brackish_water_life': ['魚', '甲殻類', '蟹', 'フナムシ', 'エイ', 'チヌ', 'スズキ', '汽水域', '川', '干満', '潮位', '水位', '透明度', '水温', '波', '干潟', '引いている', '満ちている'],

　　'birds': ['鳥', '鳴き声', '鳴く', '飛ぶ', 'スズメ', 'カラス', 'ハト', 'コサギ', 'アオサギ', 'ハクセキレイ', '鵜', 'トビ'],

　　'insects': ['虫', '蝶', '蜂', 'ハチ', 'アブ', 'アリ', 'バッタ', 'トンボ', '昆虫'],

　　'plants': ['樹木', '低木', '草花', 'ナンキンハゼ', 'ヤマモモ', 'クスノキ', 'タブノキ', 'ハナミズキ', 'サクラ', 'ケヤキ', 'クチナシ', 'セイヨウキンシバイ', '西洋キズタ', '紫陽花', 'サルスベリ', 'ツツジ', '夾竹桃', 'オリーブ', 'キノコ', '地衣類', 'コケ', '花', '芽', '花芽', '葉', '実', '木', '植物', '咲く', '枯れる'],

　　'infrastructure': ['船着き場', '石段', '石畳', '岸壁', '土手', '雁木', 'センサー', '道', '橋', 'ベンチ'],

　　'reading': ['読書', '本', '著者', '翻訳', '出版', '小説', '文庫', 'ページ', '内容'],

うむ。予見を持って見ていると誤る。中味は同じだ。地道に進め、先走るな！

更新: 2025-09-15T18:28:11+09:00

[A.I.] LLMの記憶と人間の記憶

[A.I.] LLMの記憶と人間の記憶 2 - 文脈記憶

[A.I.] LLMの記憶と人間の記憶 3 - 文脈記憶を廻って

[A.I.] LLMの記憶と人間の記憶 4 - 道草世界をどう表現するのか

[A.I.] LLMの記憶と人間の記憶 5 - 休憩時間付きGPT-5無料プランで道草日記ワールド・ビューアを作る

[A.I.] LLMの記憶と人間の記憶 6 - 休憩時間付きGPT-5無料プランを結局さらに使って疲れる

[A.I.] LLMの記憶と人間の記憶 7 - 休憩時間付きGPT-5無料プランをどう使うか？からClaudeへ？

[A.I.] LLMの記憶と人間の記憶 8 - GPT-5とClaudeの並行空間をどう使うか？

[A.I.] LLMの記憶と人間の記憶 9 - LLMの凄さはClaudeで体感できる!

[A.I.] LLMの記憶と人間の記憶 10 - Sentence Transformers - Claudeとの対話

[A.I.] LLMの記憶と人間の記憶 11 - 事前定義カテゴリによるクラスター概念制御 - Claudeとの対話

[A.I.] LLMの記憶と人間の記憶 12 - AIさすらい人の述懐

[A.I.] LLMの記憶と人間の記憶 12 - AIさすらい人の述懐続き - DeepSeek-V3.1-R1との対話

[日記] 世界は変わる、日記も変わる

[言語] Sentence Transformersの言語モデル

[読書] 探索的読書 - ジョルジュ・ルカーチ「理性の破壊」

[将棋] 第73期王座戦五番勝負第一局シンガポールアマラ・サンクチュアリ・セントーサ

[社会] 日本の進む道

[社会] 果てしない日々

[天候] 九州・東北・北海道の水害

[A.I.] LLMの記憶と人間の記憶

[A.I.] LLMの記憶と人間の記憶 2 - 文脈記憶

[A.I.] LLMの記憶と人間の記憶 3 - 文脈記憶を廻って

[A.I.] LLMの記憶と人間の記憶 4 - 道草世界をどう表現するのか

[A.I.] LLMの記憶と人間の記憶 5 - 休憩時間付きGPT-5無料プランで道草日記ワールド・ビューアを作る

[A.I.] LLMの記憶と人間の記憶 6 - 休憩時間付きGPT-5無料プランを結局さらに使って疲れる

[A.I.] LLMの記憶と人間の記憶 7 - 休憩時間付きGPT-5無料プランをどう使うか？からClaudeへ？

[A.I.] LLMの記憶と人間の記憶 8 - GPT-5とClaudeの並行空間をどう使うか？

[A.I.] LLMの記憶と人間の記憶 9 - LLMの凄さはClaudeで体感できる!

[A.I.] LLMの記憶と人間の記憶 10 - Sentence Transformers - Claudeとの対話

[A.I.] LLMの記憶と人間の記憶 11 - 事前定義カテゴリによるクラスター概念制御 - Claudeとの対話

[A.I.] LLMの記憶と人間の記憶 12 - AIさすらい人の述懐

[A.I.] LLMの記憶と人間の記憶 12 - AIさすらい人の述懐 続き - DeepSeek-V3.1-R1との対話

[日記] 世界は変わる、日記も変わる

[言語] Sentence Transformersの言語モデル

[読書] 探索的読書 - ジョルジュ・ルカーチ「理性の破壊」

[将棋] 第73期王座戦五番勝負第一局 シンガポール アマラ・サンクチュアリ・セントーサ

[社会] 日本の進む道

[社会] 果てしない日々

[天候] 九州・東北・北海道の水害

[A.I.] LLMの記憶と人間の記憶 12 - AIさすらい人の述懐続き - DeepSeek-V3.1-R1との対話

[将棋] 第73期王座戦五番勝負第一局シンガポールアマラ・サンクチュアリ・セントーサ