2nd/10_Wiki/Topic_Programming/AI_and_ML/Latent-Dirichlet-Allocation.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	verification_status	tags	raw_sources	last_reinforced	github_commit	tech_stack
wiki-2026-0508-latent-dirichlet-allocation	Latent Dirichlet Allocation	10_Wiki/Topics	verified	self	LDA Topic Model Latent Dirichlet	none	A	0.9	applied	nlp topic-modeling unsupervised bayesian gensim		2026-05-10	pending	language framework python 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

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

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

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

new_bow = dictionary.doc2bow(new_doc.split())
topic_dist = lda.get_document_topics(new_bow, minimum_probability=0.01)

pyLDAvis 시각화

import pyLDAvis.gensim_models
vis = pyLDAvis.gensim_models.prepare(lda, corpus, dictionary)
pyLDAvis.save_html(vis, "lda.html")

BERTopic (LDA 후속)

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