大量の文書を読まずに「何の話題について書かれているか」を機械に見つけさせる——それを可能にするのが潜在的ディリクレ配分法（LDA）です。トピックモデルの代表手法として、G検定では名前・略称・役割の対応が問われます。難しそうな名前の中身を、順番にほどいていきましょう。
📖 ひと言でいうと
潜在的ディリクレ配分法（LDA: Latent Dirichlet Allocation）とは、文中の単語から、その背後に隠れたトピック（話題）を推定する教師なし機械学習の手法です。ディリクレ分布という確率分布を使い、各単語は「隠れたトピックから生成されたもの」と仮定して、文書集合に共通するトピックを見つけ出します。
例えるなら、大量の新聞記事の山を、見出しやジャンル表記なしで「政治の話が濃い記事」「スポーツの話が濃い記事」に仕分けする作業です。人間なら「選挙」「内閣」という単語が多ければ政治の記事だと察しますが、LDAはまさにこの「どんな単語がよく出るか」という手がかりから、話題のまとまりを統計的に推定します。
🖼 1枚でわかる潜在的ディリクレ配分法
📘 公式テキストの説明
教師なし機械学習の手法であるLDA（Latent Dirichlet Allocation）は、文中の単語から、トピックを推定する教師なし機械学習の手法。ディリクレ分布という確率分布を用いて、各単語から隠れたあるトピックから生成されているものとしてそのトピックを推定する。この方法により、複数の文書に共通するトピックを発見し、それぞれの文書がどのトピックに関連しているかを特定することが可能となる。また、LDAは教師なし学習であるため、事前にラベル付けされたデータが必要なく、大量のテキストデータから自動的にトピックを抽出することができる。
要点は4つです。①対象はテキストで、文中の単語からトピックを推定する、②道具としてディリクレ分布という確率分布を使う、③単語は「隠れたトピックから生成されている」と仮定する、④教師なし学習なのでラベル付きデータが不要、という構造です。
「潜在的（Latent）」という言葉は、トピックがデータに直接書かれておらず、単語の背後に隠れている、という意味合いを表しています。文書に「これは政治の記事です」とは書かれていなくても、単語の出方からその隠れた話題をあぶり出す——これがLDAの発想です。
🔍 しっかり理解する
「文書は複数のトピックの混ざり物」と考える
LDAの世界観では、1つの文書は複数のトピックの混合として捉えられます。たとえばオリンピック開催都市の記事なら、「スポーツ」のトピックと「政治・行政」のトピックが混ざっているかもしれません。そして各トピックは、それぞれ特有の単語の出やすさ（単語の出現確率の分布）を持ちます。「スポーツ」トピックなら「選手」「金メダル」が出やすく、「政治」トピックなら「予算」「議会」が出やすい、という具合です。
LDAは、文書中の単語1つひとつが「その文書に含まれるどれかのトピックから確率的に生成された」と仮定し、この生成の仕組みを逆算します。観測できるのは単語だけですが、そこから「各トピックはどんな単語を出しやすいか」「各文書はどのトピックをどんな割合で含むか」を同時に推定するのです。
ディリクレ分布の役割
ディリクレ分布は、「割合の組」を生み出す確率分布です。LDAでは、文書ごとの「トピックの混合割合」（例: スポーツ7割・政治3割）がディリクレ分布に従って決まる、という前提を置きます。この前提のおかげで、「多くの文書は少数のトピックに偏って構成される」という自然な性質をモデルに組み込めます。数式の詳細はG検定では要求されないので、「LDAといえばディリクレ分布」という結びつきを確実に覚えることが優先です。
教師なしであることの強み
LDAの実務上の最大の魅力は、ラベル付けが不要なことです。文書分類を教師あり学習で行うには、人間が大量の文書に「政治」「経済」といった正解ラベルを付ける必要があります。LDAならその作業なしで、大量のテキストを与えるだけで話題の構造を自動抽出できます。事前に想定していなかった話題のまとまりが発見されることもあり、探索的なテキスト分析の道具として広く使われています。
💡 具体例で考える
ECサイトの商品レビュー分析を考えましょう。数万件のレビューにLDAを適用すると、「配送・梱包に関する単語群（到着・箱・破損…）」「価格に関する単語群（値段・セール・コスパ…）」「品質に関する単語群（素材・耐久性・壊れた…）」といったトピックが自動で抽出されます。各レビューがどのトピックをどの程度含むかも分かるため、「最近は配送トピックの割合が増えている＝物流に不満が溜まりつつある」といった傾向把握に使えます。誰もレビューにジャンルタグを付けていないのに、です。
もう1つの例は学術論文の動向分析です。ある分野の論文アブストラクト数千件にLDAをかけると、研究テーマのまとまりがトピックとして浮かび上がり、年ごとのトピック割合の推移から「この手法の研究が伸びている」という流行の変化を定量的に追えます。
⚠️ よくある誤解・紛らわしい用語
- 線形判別分析（Linear Discriminant Analysis）と略称が同じ: 機械学習には「LDA」と略される手法がもう1つあり、そちらは教師あり学習の判別・次元削減手法です。G検定の教師なし学習の文脈でLDAと出たら潜在的ディリクレ配分法を指す、と整理しておきましょう。
- PCAとの混同: 同じ節に登場しますが、PCAは数値データの次元削減、LDAは文書のトピック推定で、対象も目的も異なります。
- トピックには名前が付かない: LDAが出力するのは「単語の出やすさのまとまり」であり、「これはスポーツというトピック」と命名するのは人間の解釈です。
- クラスタリングとの関係: LDAはトピックモデルの代表手法で、1文書を複数トピックの混合として扱います。1つのデータを1つのクラスタに割り当てるk-means法などの排他的なグループ分けとは発想が異なります。
📝 試験でのポイント
- 「文中の単語からトピックを推定する教師なし学習の手法」という説明からLDA（潜在的ディリクレ配分法）を選ばせる出題が最有力です。
- 「ディリクレ分布」という語との結びつきは強力な識別ポイントです。逆に、他の手法の説明にディリクレ分布が出てきたら誤りを疑いましょう。
- 「事前にラベル付けされたデータが不要」という教師なし学習としての性質の正誤判定に備えましょう。
- トピックモデルとの関係（LDAはトピックモデルの代表的手法）や、日本語名「潜在的ディリクレ配分法」と略称LDAの対応も問われ得ます。
📚 まとめ
潜在的ディリクレ配分法（LDA）は、文中の単語を手がかりに、その背後に隠れたトピックを推定する教師なし機械学習の手法です。単語は隠れたトピックから生成されたと仮定し、ディリクレ分布を用いてトピックの混合割合を推定することで、複数の文書に共通する話題の発見と、各文書と話題の対応付けを可能にします。ラベル不要で大量テキストを分析できる点が強みです。「LDA＝ディリクレ分布＝トピック推定」の三点セットで記憶しましょう。
