メディアテクノロジーシリーズ 13 Webテクノロジー - 自然言語処理・検索・推薦・大規模言語モデル -

メディアテクノロジーシリーズ 13

Webテクノロジー - 自然言語処理・検索・推薦・大規模言語モデル -

牛尼剛聡九大教授博士（工学）編著
佃洸摂産業技術総合研究所博士（情報学）編著
河合由起子関西大教授博士（工学）著
若宮翔子奈良先端科学技術大学院大准教授博士（環境人間学）著
中島伸介京産大教授博士（情報学）著

生成AI時代に対応したWebテクノロジーの基礎から応用までを体系的に学べる入門書

ジャンル

発行年月日: 2026/08/03

判型: A5

ページ数: 270ページ

ISBN: 978-4-339-01383-2

在庫あり

2営業日以内に出荷致します。

定価

4,840円(本体4,400円+税)

カートに入れる

購入案内

内容紹介
まえがき
目次
レビュー
著者紹介
広告掲載情報

【読者対象】
本書の主な対象読者は，Webテクノロジーを体系的に学びたい大学生・大学院生ですが，Webの基盤技術，機械学習，自然言語処理，情報検索・推薦，大規模言語モデル（LLM）を幅広く扱うので，これらの要素技術に興味のある幅広い読者に役立つ内容となっています。

【書籍の特徴】
本書では，インターネットとWebの基礎から，機械学習，自然言語処理，情報検索，情報推薦，大規模言語モデルまで，現代のWebサービスを支える多様な技術を幅広く扱っています。Webテクノロジーは，通信プロトコルやWebアプリケーションの仕組みに加えて，検索エンジン，推薦システム，生成AIなど，日常的に利用されるサービスの中核をなす情報処理技術とも深く関わっています。本書では，それぞれの技術について，基礎的な考え方に加えて代表的な手法や応用例も解説しています。各章は個別のテーマごとに構成されているため，最初から順に読み進めるだけでなく，興味のある章から読むこともできます。必要な知識を目的に応じて学びながら，Webテクノロジー全体への理解を広げられる一冊です。

【各章について】
1章では，インターネット通信，URL・HTTP，クライアント技術，Webサービス設計などを通じて，Webを支える基盤技術を概観します。（河合）
2章では，多くのWebテクノロジーを支える中核技術である機械学習の基本概念と代表的手法を学びます。（牛尼，佃）
3章では，自然言語処理について，言語解析の基礎から応用タスクまでを扱い，人間の言語を計算機で処理する仕組みを理解します。（若宮）
4章の情報検索と5章の情報推薦では，膨大なデータからユーザにとって有用な情報を精度高く発見するための技術を学びます。（佃）
6章では，生成AIの基盤技術である大規模言語モデル（LLM）の仕組みと応用について解説します。（牛尼，中島）

【著者からのメッセージ】
Webを支える技術は多岐にわたります。本書では，そうした技術を体系的に学べるよう，多様な分野について基礎から応用まで幅広く取り上げました。本書で扱う分野はいずれも，新しい技術が次々と生まれていますが，古典的な技術も取り上げることで，個々の新しい技術だけでなく，その背後にある基本的な考え方や設計思想を理解し，今後登場する新しい技術を学ぶための土台を身につけられるようにしました。本書を通して，日々利用しているインターネットやWebサービスの裏側にある技術にも興味を持っていただければ幸いです。

【キーワード】
Web，インターネット，機械学習，自然言語処理，情報検索，情報推薦，大規模言語モデル

インターネットとWebテクノロジーは，われわれの日常生活やビジネス活動に深く浸透し，その影響力は年々増大している。本書でいう「Webテクノロジー」とは，インターネット上でサービスや情報を提供・流通させるための基盤技術の総称であり，通信プロトコルやデータ処理だけでなく，自然言語処理・情報検索・推薦・大規模言語モデル（LLM）といった高度な情報処理技術をも包含する。情報通信，エンターテインメント，教育，医療，そしてビジネスの多くの側面が，これらの技術によって支えられ，革新され続けている。本書『Webテクノロジー』は，これらの急速に進化する技術の基礎から応用までを包括的に解説し，読者が現代のWebテクノロジーを深く理解するための道しるべとなることを目指すものである。

近年，大規模言語モデルを中核とする生成AIの進展により，Webサービスの設計と実装を取り巻く前提が大きく変わりつつある。従来の検索や推薦に加え，対話型の情報アクセス，コンテンツ生成，パーソナライズといった機能が実用化し，Webサービスに求められる技術要素も多様化している。本書は，こうした変化を踏まえて，基盤となる原理と実装上の要点を体系的に学べる構成とした。その上で，Webテクノロジーに興味を持つすべての読者，特にこれからこの分野でのキャリアを目指す学生や技術者にとって貴重な知識と洞察を提供することを目的とする。

本書は，全6章から構成される。まず1章（河合）では，インターネットとWebの基礎を概観する。インターネット通信の仕組み，URLとHTTP，クライアント技術，Webサービス設計などを通じて，Webを構成する基盤技術の全体像を把握する。2章（牛尼，佃）では，機械学習の基礎を扱う。機械学習は，現代の多くのWebテクノロジーを支える中核技術であり，その基本的な概念と手法の理解は，Webテクノロジー全般の理解を深める上で不可欠である。3章（若宮）では自然言語処理を扱い，言語解析の基礎から実応用タスクまでを学ぶことで，人間の言語を計算機的に扱う原理と方法を習得する。さらに，4章（佃）の情報検索と5章（佃）の情報推薦では，膨大なデータからユーザにとって有用な情報を精度高く見つけ出すために必要な検索・推薦アルゴリズムや評価指標を詳述する。最後に6章（牛尼，中島）では，生成AIの基盤となる大規模言語モデルとその応用を取り上げ，大規模言語モデルがどのように開発され，どのように実世界の問題解決に活用できるのかを学ぶ。

本書で扱うおもな数式や記号の表記ルールは，つぎのとおりである。ベクトルや行列などの具体的な記号が表す内容は章によって異なり，各章の本文中で適宜説明しているため，ここでは例示のみとする。

• スカラー（通常の変数）：小文字の斜体で表記する（例： $x, y, a$ ）。
• ベクトル：小文字の太字で表記する（例：x, y）。
• 行列：大文字の太字で表記する（例：A, B）。
• 集合：大文字の斜体で表記する。実数や整数の集合には白抜き文字を用いる（例：A, B, ℝ, ℤ）。
• 関数：1文字の関数名は斜体，2文字以上の関数名や三角関数・対数関数などは立体（ローマン体）で表記する（例： $f (x), \exp (x), \sin x, \log y$ ）。
• その他：ノルムは $∥ x ∥$ ，内積は $⟨ x, y ⟩$ ，和と積はそれぞれ $\sum_{i = 1}^{n} x_{i}$ ， $\prod_{i = 1}^{n} a_{i}$ のように表記する。

最後に，本書の執筆機会を与えてくださった「メディアテクノロジーシリーズ」の編集委員会および，長期間にわたり献身的なご支援をいただいたコロナ社の皆さんに，心より謝意を表する。本書が読者の学びと発展に寄与し，Webテクノロジーの未来を切り開く一助となることを願う。

2026年6月
編著者牛尼剛聡・佃洸摂

1．Web技術の基礎と仕組み
1.1　インターネットとWeb
1.2　クライアント・サーバモデル
　1.2.1　URL
　1.2.2　HTTPリクエストとHTTPレスポンス
　1.2.3　HTTPバージョンの進化
1.3　Webクライアント
　1.3.1　HTMLとWebページ
　1.3.2　CSS
　1.3.3　JavaScript
1.4　Webのデータ通信と構造
　1.4.1　XMLとJSON
　1.4.2　Ajax
　1.4.3　SOAP
　1.4.4　REST
　1.4.5　OAuth
1.5　モダンWeb開発の潮流
　1.5.1　クロスプラットフォーム開発フレームワーク
　1.5.2　クラウドサービス
1.6　まとめ

2．機械学習
2.1　機械学習とは
2.2　教師あり学習
　2.2.1　学習の流れ
　2.2.2　分類の手法
　2.2.3　分類の評価指標
　2.2.4　回帰の手法
　2.2.5　回帰の評価指標
2.3　教師なし学習
　2.3.1　階層的クラスタリング
　2.3.2　K-means
　2.3.3　DBSCAN
2.4　深層学習
　2.4.1　ニューラルネットワークの基本構造
　2.4.2　パラメータの学習
2.5　まとめ

3．自然言語処理
3.1　テキストデータの扱い方と基礎概念
　3.1.1　テキストの前処理
　3.1.2　言語データの統計的性質
3.2　形態素解析
　3.2.1　形態素解析とは
　3.2.2　形態素解析器
3.3　固有表現抽出
　3.3.1　固有表現抽出とは
　3.3.2　固有表現抽出の方法
　3.3.3　応用と発展
3.4　構文解析
　3.4.1　構文解析とは
　3.4.2　構文解析の種類
　3.4.3　構文解析器と出力例
3.5　意味解析
　3.5.1　意味解析とは
　3.5.2　単語レベルの課題：語義の曖昧性解消
　3.5.3　文レベルの課題：意味役割付与
　3.5.4　単語埋め込み
　3.5.5　伝統的な意味表現：統計的手法とベクトル化
　3.5.6　意味解析のための知識資源の活用
3.6　応用タスク
　3.6.1　文書分類
　3.6.2　機械翻訳
　3.6.3　要約
　3.6.4　質問応答
3.7　言語資源
　3.7.1　コーパス
　3.7.2　辞書
　3.7.3　言語資源の整備と共有
3.8　まとめ

4．情報検索
4.1　情報検索の流れ
4.2　転置インデックス
4.3　単語の出現傾向を用いたランキング手法
　4.3.1　ベクトル空間モデル
　4.3.2　TF-IDF
　4.3.3　BM25
4.4　リンク構造を用いたランキング手法
　4.4.1　PageRank
　4.4.2　HITS
4.5　機械学習を用いたランキング手法
　4.5.1　ランク学習
　4.5.2　深層学習に基づくWebページランキング
4.6　情報検索の評価
　4.6.1　Precision
　4.6.2　Recall
　4.6.3　F-measure
　4.6.4　MAP
　4.6.5　MRR
　4.6.6　nDCG
　4.6.7　その他の評価指標・評価方法
4.7　クエリ自動補完・クエリ推薦
　4.7.1　クエリ自動補完
　4.7.2　クエリ推薦
4.8　まとめ

5．情報推薦
5.1　Webにおける情報推薦
5.2　ユーザの嗜好表現
　5.2.1　明示的フィードバック
　5.2.2　暗黙的フィードバック
5.3　アイテムの内容に基づく情報推薦
　5.3.1　メタ情報に基づく情報推薦
　5.3.2　特徴量に基づく情報推薦
5.4　協調フィルタリングに基づく情報推薦
　5.4.1　ユーザ間型メモリベース法
　5.4.2　アイテム間型メモリベース法
　5.4.3　モデルベース法：MF
　5.4.4　モデルベース法：BPR
　5.4.5　モデルベース法：FM
5.5　深層学習を用いた情報推薦
　5.5.1　ニューラルネットワークに基づく推薦
　5.5.2　グラフニューラルネットワークに基づく推薦
　5.5.3　時系列に基づく推薦
5.6　ハイブリッド型の情報推薦
　5.6.1　混合
　5.6.2　切り替え
　5.6.3　重み付け
　5.6.4　カスケード
5.7　推薦手法の評価
　5.7.1　オフライン評価
　5.7.2　オンライン評価
　5.7.3　ユーザスタディ
　5.7.4　三つの評価方法の比較
5.8　まとめ

6．大規模言語モデルとその応用
6.1　言語モデルの概念と歴史的背景
　6.1.1　初期の言語モデル
　6.1.2　ニューラル言語モデル
　6.1.3　リカレントニューラルネットワーク（RNN）
　6.1.4　Seq2Seq
　6.1.5　注意機構
6.2　Transformer
　6.2.1　自己注意機構
　6.2.2　位置エンコーディング
　6.2.3　エンコーダ–デコーダアーキテクチャ
6.3　Transformerを基盤とした言語モデル
　6.3.1　GPT
　6.3.2　BERT
　6.3.3　構造と応用の比較
6.4　Transformerを基盤とした言語モデルの学習
　6.4.1　事前学習
　6.4.2　ファインチューニング
　6.4.3　人間の意図との整合：アライメントとRLHF
6.5　LLMを活用したアプリケーション
　6.5.1　プロンプトエンジニアリングと出力制御
　6.5.2　自然言語インタフェースとしてのLLM
　6.5.3　検索拡張生成（RAG）
　6.5.4　Webアプリケーションにおける活用例
6.6　LLMの課題
6.7　まとめ

引用・参考文献
索引

読者モニターレビュー【木下喬史様（業界・専門分野：データサイエンス）】

推薦システムやNLPを実務で扱ってきた立場から読んだが、Web基盤から機械学習、自然言語処理、情報検索・推薦、そしてLLMまでを一冊で通す構成が非常に良い。各分野が独立した章になっているので、興味のあるところから読める。特に推薦の章は、協調フィルタリングからMF・BPR・FM、さらにGNNや時系列まで押さえており、実装の勘所を思い出しながら読み進められた。個々の手法を深掘りする本は多いが、Webサービスを支える技術群を俯瞰し、それぞれの背後にある考え方を地続きで捉えさせてくれる点に価値がある。

読者モニターレビュー【いたち様（業界・専門分野：評価装置メーカー）】

本書のタイトルはWebテクノロジーですので、Webの内容が90%以上占めるかと思ったのですが、サブタイトルにあるように近年話題のAIが多数載っております。
Chat GPTから国民に広く知れ渡っていると思っておりますが、これらもWebを介してユーザーが利用するので、今までの私のWebという認識が変わって、面白かったです。また、内容は幅広く。分かりやすく。でした。説明部分に多々イラストを記載してくれており、よかったです。
本書は、ITパスポートを勉強している方や、AIを専門とする方に幅広く進められる内容になっていると思います。また、私のようにWebとAIが離れた分野として固まっているような人にも、ぜひ読んで頂きたいなと思う一冊でした。

読者モニターレビュー【 N/M 様（業界・専門分野：総合情報学［情報科学］）】

本書は「メディアテクノロジーシリーズ」の13巻目に位置する書籍である．本巻では「Webテクノロジー（Web技術）」と書名の通り，Webにまつわる関連技術についての記述がなされている．

また，本書は全6章で構成されている．Web技術の基礎と仕組みから始まり，サブタイトルにもある自然言語処理，（情報）検索，（情報）推薦，大規模言語モデルについて，それぞれ独立して記述されているため，興味のある章から読めるという自由度の高さも特徴の一つである．

1章では，Web技術の基礎と各種バックグラウンド技術の仕組みについての解説がなされている．個人的には，OAuth (Open Authorization) の仕組みが大変興味深かった．X（旧Twitter）で企業アカウントがPRや新商品・サービスの拡散のために行う「RTするとその場で当たるプレゼントキャンペーン」に応募した際，よく見かける「アプリにアカウントへのアクセスを許可しますか？」という画面の裏側で動いているのがまさにこの技術だと気付かされた．

3章では，自然言語処理 (Natural Language Processing; NLP) についての解説がなされている．「自然言語処理」という言葉自体はなんとなく知っていたものの，具体的にどのようなものかまでは理解していなかったため，本書で学ぶ機会が得られたのは非常に良かった．日本語のように単語間にスペースがない言語では，テキストの前処理としてまずトークン化を行い，形態素解析，構文解析，意味解析といった順を追う手順があるのだと知ったことは大きな発見であった．

また，3章で扱われるNLPを応用した技術が，6章で解説される大規模言語モデル (Large Language Model; LLM) であり，これは生成AIでも中心的な役割を果たしている．そしてそのバックグラウンドでは，2章で学ぶ機械学習の技術も同様に大きく貢献している．

残りの4章と5章では，情報検索および情報推薦に関する技術についての解説がなされている．情報検索で有名なPageRankの仕組みや，ネットショッピングでよく見かける「この商品を買った人は，この商品も買っています」といったおすすめを表示する仕組みについても書かれており，大変参考になった．

また，5章の情報推薦に関しては本章のまとめにも紹介があるが，本書と同じコロナ社から出版されている『基礎から学ぶ推薦システム- 情報技術で嗜好を予測』（https://www.coronasha.co.jp/np/isbn/9784339029284/）が大いに役立つだろうと思う．こちらの書籍に関しても僭越ながら私がレビュさせていただいており，購入に際して参考にしていただければ幸いである．

読者モニターレビュー【松岡大輔様（業界・専門分野：プログラマー）】

本書は1990年12月に公開された世界初のWebサイトから始めて、現代的なLLMの応用で終わるという、Web技術通史である。まず第1章で、インターネットとWebのそもそもの原理と従来型のWebシステム開発の歴史を通観したあと、第2章からは機械学習の登場以降の話題をまとめている。

基本的な歴史観として、機械学習の登場によって、システム開発における大きな変化があったという認識がある。つまり、「ルール」と「データ」を入力し、アルゴリズムに基づいて結果を得るという従来型のシステム開発から、コンピュータがデータからルールを作るというアプローチに変化した。特に、従来は専門知によって人間が「ルールの発見と実装」を行っていたが、その本質的な部分に変化があった。（pp.37-38）

この転換をフックにして、従来型のWebシステム開発技術の話題と、機械学習以降のWebシステムの在り方を、一気につなげてしまうという構成になっている。話題が広い分、ひとつひとつのテーマの掘り下げが深いとはいえないが、理工書として基礎技術に軸足を置いた記述が一貫している。

従来型のWebシステム開発の文脈と、機械学習の文脈は、実務では密接に関係しているはずだが、パラダイムとしては前述のように本質的な変化があるので、文献上は別々に語られがちである。両者を並べて、通史的に見通す視点を提示した点が、本書の面白さであると思う。

LLMを中核とする生成AIの進展によって、Webサービスの設計と実装の前提が大きく変わりつつある、まさにその変化の先端をとらえて教科書としてまとめるのが本書の意図するところである。そのためにWebシステムの基礎から説き起こして、機械学習によってなにが変わるのか、その延長上にあるLLMとは何なのか、という議論の進め方をする。

読者としては、従来的なWebシステムの基礎を踏まえたうえで、機械学習以降の技術によってなにが変わり、なにが可能になったのかを見極めて、積極的に新しいシステム開発へと進んでいくことが求められているのだと思う。個人的に、ぼんやり認識しているものの、はっきりと捉えられていなかった時代認識と課題なので、大変刺激になった。

レビュー,書籍紹介・書評掲載情報一覧

牛尼剛聡（ウシアマタケトシ）

九州大学大学院芸術工学研究院教授。専門はWeb情報学，推薦システム，生成AIを活用したコンテンツ体験・学習支援。情報技術とデザインの視点を組み合わせ，「人にとって価値のあるコンテンツ体験とは何か」をテーマに，情報推薦や生成AIを用いたユーザの創造性・学びの支援に関する研究に取り組んでいる。Asia Digital Art and Design Association（ADADA）会長，日本データベース学会理事。

佃洸摂（ツクダコウセツ）

2014年，京都大学大学院情報学研究科博士後期課程修了。博士（情報学）。日本学術振興会特別研究員（PD）を経て，2015年に産業技術総合研究所に入所。2019年より同研究所主任研究員。
ユーザ生成コンテンツおよび音楽コンテンツを対象とした情報推薦，情報探索，ユーザ行動分析の研究に従事しています。世の中にある膨大なコンテンツの中から，人気度にとらわれることなく，人々が自分の好みに合うコンテンツと出会える世界を実現したいという思いのもと，推薦・探索技術やユーザインタフェースの研究開発に取り組んでいます。

https://ktsukuda.me

河合由起子（カワイユキコ）

学生時代には，光学系を用いた画像処理研究に携わり，その後インターネットの急速な発展とともに電子図書館研究へと領域を広げました。特に，Perlの正規表現とCGIを用いることで，RDB を使わずともWeb上でデータを自在に扱えることに強い衝撃を受け，Web技術の可能性に深く魅了されました。いまやWebは，スマートフォンや車載機器，家電など多様なフィジカルデバイスをも自在に扱えるサイバーフィジカル空間として，社会を支える重要な基盤へと進化しています。Webテクノロジーに興味を持った読者の皆さまにとって，本書が「誰かの明日を変える技術」へと踏み出す挑戦の第一歩となれば幸いです。

https://wps.itc.kansai-u.ac.jp/itech-lab/

若宮翔子（ワカミヤショウコ）

2013年兵庫県立大学大学院環境人間学研究科博士後期課程修了。博士（環境人間学）。日本学術振興会特別研究員（DC2，PD），京都産業大学研究員，奈良先端科学技術大学院大学研究推進機構博士研究員，特任助教を経て，2020年より同大学先端科学技術研究科情報科学領域ソーシャル・コンピューティング研究室准教授。ソーシャル・コンピューティングを中心に，自然言語処理，大規模言語モデル（LLM），位置情報データなどを活用した研究に取り組む。医療・ヘルスケア，ウェルビーイング，市民参加型社会システムなどへの応用を進めている。医療言語処理に関するシェアードタスク MedNLP の共同主催者，情報アクセス技術の国際評価ワークショップ NTCIR の共同プログラム委員長，国際ジャーナル EPJ Data Science のAssociate Editorなどを務める。日本データベース学会理事，言語処理学会理事。

中島伸介（ナカジマシンスケ）

1997年神戸大学大学院自然科学研究科博士前期課程修了。2004年京都大学大学院情報学研究科博士後期課程修了。博士（情報学）。情報通信研究機構専攻研究員，奈良先端科学技術大学院大学助教を経て，京都産業大学コンピュータ理工学部准教授および教授を経て，2015年より現職。京都産業大学情報理工学部教授。主に情報推薦，ユーザサポート，ヘルスケア応用に関する研究に従事。日本データベース学会特命副会長，情報処理学会データベースとデータサイエンス研究会主査。
大学受験で浪人，部活動（アメフト）に没頭しすぎての留年，更に卒業論文提出直前に阪神大震災で実験装置が粉々になるなどの数々の挫折を味わいながらも博士課程まで進んだが中退。その後環境コンサルタント会社で働いていたが，やはり博士の学位を取りたいという思いから京都大学大学院の博士課程に進み，それまでの専門とは全く異なる情報学を学ぶ。この経験から「人生は失敗だらけ、ただし諦めないかぎり敗者ではない」を信条とする。