---
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 |