docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,139 @@
|
||||
---
|
||||
id: wiki-2026-0508-latent-dirichlet-allocation
|
||||
title: Latent Dirichlet Allocation
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [LDA, Topic Model, Latent Dirichlet]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [nlp, topic-modeling, unsupervised, bayesian, gensim]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: gensim
|
||||
---
|
||||
|
||||
# Latent Dirichlet Allocation
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 문서 = topic 의 mixture, topic = word 의 mixture"**. Blei 2003 의 generative bayesian model. 2026 현재는 BERTopic 류 embedding 기반에 점유율 양보 중이지만, 해석 가능성/저비용에서 여전히 baseline.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 Generative story
|
||||
1. 각 topic k 에 대해 word distribution `φ_k ~ Dir(β)` 생성.
|
||||
2. 각 문서 d 에 대해 topic distribution `θ_d ~ Dir(α)`.
|
||||
3. 단어 위치마다: topic `z ~ Mult(θ_d)` 뽑고, word `w ~ Mult(φ_z)`.
|
||||
|
||||
### 매 추론 (inference)
|
||||
- **Variational Bayes** (Blei): 빠르지만 근사 거침.
|
||||
- **Collapsed Gibbs sampling**: gensim 기본, sample-based 정확.
|
||||
- 2026: 대부분 Online VB (gensim `LdaModel`) 또는 Mallet wrapper.
|
||||
|
||||
### 매 vs alternatives
|
||||
- **NMF**: matrix factorization, sparse, deterministic. 짧은 텍스트에 종종 우세.
|
||||
- **BERTopic**: sentence-transformer + UMAP + HDBSCAN. semantic, but heavy.
|
||||
- **Top2Vec**: doc2vec 기반.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### gensim LDA 기본
|
||||
```python
|
||||
from gensim import corpora, models
|
||||
|
||||
texts = [doc.split() for doc in raw_docs]
|
||||
dictionary = corpora.Dictionary(texts)
|
||||
dictionary.filter_extremes(no_below=5, no_above=0.5)
|
||||
corpus = [dictionary.doc2bow(t) for t in texts]
|
||||
|
||||
lda = models.LdaModel(corpus, num_topics=20, id2word=dictionary,
|
||||
passes=10, alpha="auto", eta="auto")
|
||||
for topic_id, words in lda.print_topics():
|
||||
print(topic_id, words)
|
||||
```
|
||||
|
||||
### Coherence 기반 K 선택
|
||||
```python
|
||||
from gensim.models.coherencemodel import CoherenceModel
|
||||
|
||||
scores = {}
|
||||
for k in [10, 15, 20, 30, 50]:
|
||||
m = models.LdaModel(corpus, num_topics=k, id2word=dictionary, passes=5)
|
||||
cm = CoherenceModel(model=m, texts=texts, dictionary=dictionary,
|
||||
coherence="c_v")
|
||||
scores[k] = cm.get_coherence()
|
||||
best_k = max(scores, key=scores.get)
|
||||
```
|
||||
|
||||
### sklearn LatentDirichletAllocation
|
||||
```python
|
||||
from sklearn.feature_extraction.text import CountVectorizer
|
||||
from sklearn.decomposition import LatentDirichletAllocation
|
||||
|
||||
cv = CountVectorizer(max_df=0.5, min_df=5, stop_words="english")
|
||||
X = cv.fit_transform(raw_docs)
|
||||
lda = LatentDirichletAllocation(n_components=20, learning_method="online",
|
||||
random_state=0).fit(X)
|
||||
doc_topic = lda.transform(X) # (n_docs, 20)
|
||||
```
|
||||
|
||||
### 새 문서 inference
|
||||
```python
|
||||
new_bow = dictionary.doc2bow(new_doc.split())
|
||||
topic_dist = lda.get_document_topics(new_bow, minimum_probability=0.01)
|
||||
```
|
||||
|
||||
### pyLDAvis 시각화
|
||||
```python
|
||||
import pyLDAvis.gensim_models
|
||||
vis = pyLDAvis.gensim_models.prepare(lda, corpus, dictionary)
|
||||
pyLDAvis.save_html(vis, "lda.html")
|
||||
```
|
||||
|
||||
### BERTopic (LDA 후속)
|
||||
```python
|
||||
from bertopic import BERTopic
|
||||
topic_model = BERTopic(language="english", min_topic_size=10)
|
||||
topics, probs = topic_model.fit_transform(raw_docs)
|
||||
topic_model.get_topic_info()
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | 모델 |
|
||||
|---|---|
|
||||
| 긴 문서, 해석 가능성 우선 | LDA |
|
||||
| 짧은 텍스트 (tweet) | NMF / BTM |
|
||||
| Semantic clustering 필요 | BERTopic |
|
||||
| 실시간 streaming | Online LDA |
|
||||
| GPU 없음, 수백만 문서 | gensim LDA + multicore |
|
||||
|
||||
**기본값**: gensim `LdaMulticore`, K = 20-50, coherence c_v 로 튜닝.
|
||||
|
||||
## 🔗 Graph
|
||||
- Adjacent: [[TF-IDF]], [[Word-Embeddings]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 대규모 코퍼스 빠른 EDA, 해석 가능한 topic label, BERTopic 비용 부담스러울 때.
|
||||
**언제 X**: 짧은 텍스트, semantic 차이 중요, 다국어 mix.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **불용어 미제거**: top word 가 the/of 로 도배.
|
||||
- **K 임의 고정**: coherence/perplexity 없이 20 박는 것.
|
||||
- **단일 단어 토큰화**: bigram 무시 → "machine learning" 분리.
|
||||
- **너무 짧은 문서**: 트윗에 표준 LDA → 노이즈.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Blei, Ng, Jordan 2003 (JMLR).
|
||||
- gensim, sklearn, Mallet 공식 문서.
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — gensim/sklearn 패턴, BERTopic 비교, coherence 튜닝 |
|
||||
Reference in New Issue
Block a user