Graph Analysis

類似性の計算方法

Graph Analysisは、ノート同士の「つながり（グラフ構造）」を数学的に分析して、「一見つながっていないけれど、実は関連があるノート」を見つけ出すためのツール。

共引用 (Co-Citations)：同じ場所に登場するか？ このプラグインの目玉機能。 考え方：ノートAとノートBが、「別のノートCの中で一緒にリンクされている」回数を数える。 例：日記（ノートC）に「ジョー・バイデン」と「ドナルド・トランプ」の両方のリンクを貼った場合、この2つの関連度が高まる。 ポイント：2段階目のバックリンクとも呼ばれる。直接リンクし合っていなくても「同じ文脈で語られることが多いペア」を見つけるのに役立つ。

類似性 (Similarity / Jaccard)：共通の友達が多いか？ 内容（テキスト）ではなく、リンクの繋がり方だけで似ているかを判断する。 考え方：ノートAとノートBが、どれだけ多くの「共通のリンク先（またはリンク元）」を持っているかを計算する。 例：ノートAもBも、両方が「心理学」「統計学」というノートにリンクしているなら、「役割が似ている（共通の友達が多い）」と判断される。 公式：J(A,B)=∣A∪B∣∣A∩B∣​ （共通の隣接ノード数 ÷ 全体の隣接ノード数）

リンク予測 (Link Prediction)：次につなげるべきはどこか？ まだリンクは貼られていないけれど、「将来的にリンクを貼るべき関連ページ」を推測する。 考え方：「共通の知人が多いなら、君たちも知り合い（リンクすべき）だよね？」という理屈（Adamic Adar法など）。 例：ノートAとBが直接つながっていなくても、その周りにある多くのノートが両方にリンクしている場合、「ここはリンクを貼るべきだ」と予測スコアが高くなる。

コミュニティ検出 (Community Detection)：グループ分け ノートを自動的にグループ（クラスター）に分類する。 考え方：仲の良いノート同士をひとまとめにする（ラベル伝播法など）。 例：大量のノートを、「料理」「仕事」「趣味」というように、リンクの密度に基づいて自動的に分類する。

まとめ 人間が気づかない「構造上のつながり」を可視化する。 共引用：一緒に語られることが多い 類似性：リンクのパターンが似ている 予測：つなぎ忘れているかもしれない これらを使うことで、ノートが数千枚に増えても、埋もれていた過去のアイデアを再発見できる。