Antigravity Agent
f8b21af4be
10_Wiki/Topics 대규모 정리: - 오류 캡처/미완성 stub 문서 227개 제거 - 교차폴더 중복 43클러스터 병합 (63파일 → redirect) - 링크명 정규화: 깨진 링크 수정·redirect 직결·개념 매핑 ~2,400건 - 카테고리 MOC 6개 신규 생성 - Graph 섹션 미해결 related-keyword 링크 10,058건 제거 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
140 lines
4.4 KiB
Markdown
140 lines
4.4 KiB
Markdown
---
|
||
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 |
|