潜在的ディリクレ配分法（LDA） (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

潜在的ディリクレ配分法（LDA）とは、文書集合から潜在的なトピック構造を確率的に推定する生成モデル（データがどのような確率的な過程で生まれたかを仮定して表現する手法）です。トピックモデル（文書に潜む話題を確率的に推定する手法の総称）の代表的な手法でもあります。

各文書は複数のトピックの混合として表現され、各トピックは単語の出現確率分布として表現されます。文書のトピック分布とトピックの単語分布は、いずれもディリクレ分布（複数の項目への配分比率そのものを確率的に扱う分布）からサンプリングされると仮定します。

たとえば、あるニュース記事が「政治」「経済」「スポーツ」といった複数のトピックを一定の比率で含み、各トピックには特有の単語が高い確率で出現すると考えるのが、この生成モデルの発想です。

潜在意味インデックス（LSI）は、文書と単語の対応表を数学的に分解して意味的な関連を捉える従来の手法です。LDA以前は、この行列分解に基づく手法によって文書の主題を捉えるのが一般的でした。

LDAは2000年に集団遺伝学の分野でジョナサン・プリチャードらが提案した手法をもとにしています。2003年にデイビッド・ブライ、アンドリュー・ン、マイケル・I・ジョーダンが、この手法を自然言語処理（コンピュータに人間の言語を扱わせる技術分野）・機械学習に応用し、広まりました。

確率的な生成モデルであるLDAは、未知の新規文書に対する汎化性能（未知の新しいデータに対してもうまく対応できる性能）に優れています。教師なし学習（正解ラベルの無いデータからパターンを見つけ出す学習の方式）によるトピック抽出の標準的な手法として定着しています。

LDAはトピックモデルの代表的な手法で、文書の主題であるトピックを推定する仕組みです。文書はトピックの混合、トピックは単語の確率分布という2層構造が定義の中心にあり、ここでの要点はこの構造を正確に把握できているかどうかです。

文書のトピック分布とトピックの単語分布が、それぞれ独立したディリクレ分布からサンプリングされると仮定する確率的生成モデルである点も、理解するうえでの中心的な論点です。

この仮定はベイズ推定（観測されたデータから確率的にもっともらしい値を求める統計の考え方）の枠組みに基づいています。トピック数や分布の形状を決めるハイパーパラメータ（学習を始める前に人が設定しておく調整値。トピックの数などが該当します）は、値の設定によってトピックの粒度が変わる関係にあります。

LDAは従来の潜在意味インデックス（LSI）と比較して、未知の新規文書への汎化性能が高いという点が比較の柱になります。加えて、LDAは教師なし学習に分類される手法で、応用としてニュース記事の自動分類やレコメンド、情報検索での活用が挙げられます。

これらはラベル無しのデータからパターンを見つけ出す点で、正解ラベル付きのデータから規則を学ぶ教師あり学習とは異なる位置づけにあり、あわせて理解しておきたい関係です。

LDAと潜在意味インデックス（LSI）の最大の違いは、手法の枠組みそのものにあります。両者の対応は次のように整理できます。

観点	LDA	潜在意味インデックス（LSI）
手法の枠組み	各文書がトピックの確率分布から生成されると仮定する確率的生成モデル	文書と単語の対応表を数学的に分解して次元を圧縮し、意味的な関連を捉える従来の手法
新規文書への汎化性能	既存の確率モデルに基づいてトピック分布を推定でき、汎化性能に優れる	LDAに比べて劣るとされる

確率モデルとして文書の生まれ方そのものを表現しているかどうかが、この性能差の背景にあります。新規文書への汎化性能の差は、両者を比較するうえでの分かれ目です。

もう一つ、取り違えやすい点があります。「LDA」という略称は、潜在的ディリクレ配分法だけでなく、線形判別分析（データを最もよく分ける境界線を見つける手法）を指す場合もあるという点です。

「LDA」が指す手法	何をする手法か	学習の方式
潜在的ディリクレ配分法	文書集合からトピック構造を推定する	教師なし学習
線形判別分析	ラベル付きデータをもとに分類や次元削減（データの特徴量の数を減らして扱いやすくする処理）を行う	教師あり学習（正解ラベルを付けたデータから規則を学習する方式）

両者は名称が同じでも目的も学習の方式も全く異なります。試験問題で「LDA」の略称だけが提示された場合は、文脈からどちらの手法を指しているかを見極める関係にあります。

ニュース・メディア業界では、大量の記事集合にLDAを適用してトピックを自動抽出し、記事のカテゴライズや関連記事の推薦に活用する事例があります。膨大な記事を人手で分類する代わりに、トピックごとの単語分布から自動的に主題を割り当てられるため、読者に近い話題の記事を効率よく届けられる仕組みが実現します。

マーケティング・EC業界では、商品レビューやSNS投稿の集合にLDAを適用し、顧客が言及している話題の傾向を把握する用途があります。個別の投稿を一つずつ読み込まなくても、多数の意見に共通するトピックを抽出できるため、大量のテキストデータに埋もれた顧客の関心の変化を捉えられる点に意義があります。

カスタマーサポート業界では、問い合わせ内容の集合にLDAを適用してトピックを分類し、よく挙がる話題の把握やFAQ整備に役立てる活用シナリオがあります。問い合わせが特定のトピックに集中していることが分かれば、よくある質問の整備や製品改善の優先順位づけに反映できます。

LDAはトピックモデルの代表的手法で、各文書は複数のトピックの混合、各トピックは単語の確率分布として表現される確率的生成モデルです。
文書のトピック分布・トピックの単語分布はいずれもディリクレ分布からサンプリングされると仮定し、LSIに比べて新規文書への汎化性能が高い点が比較の軸になります。
「LDA」という略称は線形判別分析（Linear Discriminant Analysis）とも共通するため、教師なし学習のトピックモデルであるLDAと混同しない点が注意点です。