MALLET教程.doc

Mallet：自然语言处理工具包发表于128 天前技术,科研评论数 6 被围观1006Views+MALLET是基于java的自然语言处理工具箱，包括分档得分类、句类、主题模型、信息抽取等其他机器学习在文本方面的应用，虽然是文本的应用，但是完全可以拿到多媒体方面来，例如机器视觉。MALLET包含了足够的文本分类的算法，还有特征提取的算法等。文本分类的算法像是Nave Bayes, Maximum Entropy, and Decision Trees等，而且也对代码做了优化。MALLET也包含sequence tagging的工具和算法，例如信息抽取的应用等，算法有Hidden Markov Models, Maximum Entropy Markov Models, and Conditional Random Fields.MALLET也包含主题模型：topic modelingtoolkit contains efficient, sampling-based implementations of Latent Dirichlet Allocation, Pachinko Allocation, and Hierarchical LDA.MALLET当然还有其他功能，很强大。下面是api和一个pdf的链接：API 教程。=关于MALLET的安装配置=这里有一个安装配置的说明，我把它转载过来了：Mallet使用说明Mallet是专门用于机器学习方面的软件包，此软件包基于java。通过mallet工具，可以进行自然语言处理，文本分类，主题建模。文本聚类，信息抽取等。下面是从如何配置mallet环境到如何使用mallet进行介绍。一实验环境配置1.下载并安装JDK，并正确设置环境变量需设置三个环境变量：JAVA_HOME：该环境变量的值就是Java所在的目录，例如C:Program FilesJavajdk1.6.0_10PATH：指定一个路径列表，用于搜索可执行文件。该环境变量值为：%JAVA_HOME%binCLASSPATH：指定一个路径列表，是用于搜索Java编译或者运行时需要用到的类。该环境变量的值为：%JAVA_HOME%libtools.jar；%JAVA_HOME%libdt.jar运行cmd分别输入javac和java，没有出错则表示配置成功。2.下载apache-ant，不需安装，只需正确设置环境变量。apache-ant是一个基于Java的编译工具。下载/bindownload.cgi，解压放到你要的目录配置ANT_HOME：设置为apache-ant的解压目录，例如：C:serverapache-ant-1.8.0classpath：%ANT_HOME%libPath：%ANT_HOME%bin测试运行cmd输入ant结果如下则表示配置成功Buildfile:build.xmldoes not exist!Build failed3下载mallet最新版本mallet-2.0.5，地址：/download.php配置环境变量：MALLET_HOME=MALLET的解压目录，例如C:malletPath中添加%MALLET_HOME%binclasspath:%mallet_home%class;%mallet_home%lib;%mallet_home%libmallet-deps.jar运行cmd，进入到mallet的解压目录输入ant如果出现Build successful字样，则表示配置成功二Mallet简要说明全称：MAchineLearning forLanguagEToolkitMallet是一java的软件包，专门用于统计自然语言处理，文本分类，主题建模，信息抽取，以及其它涉及文本的机器学习方面的应用。a)文本分类：它的基本思想是，用大量的训练样本训练分类器，再用些测试样本测试分类器的性能，然后保存训练好的分类器模型。当将未知类别的文本输入已训练好的分类模型时，可输出此未知类别样本所属各个类别的的概率。b)主题建模：主题建模用于分析大量的未标示（类别未知）的文本。通过分析这些文本，可以得出一些（个数可指定，也可默认）主题，每个主题由一些经常出现在一起的词组成。可以保存建模好的主体模型，以备推断一未知文本所属主题时所用。c)Mallet可以把文本转换为数学上的表达形式，从而更有效的对文本进行机器学习。这个过程是通过“管道（pipe）”系统实现的，它可以进行分词，移除停用词，把序列转换为向量等方面的操作。具体代码可见malletsrcccmalletpipe。三Mallet使用步骤文本分类：1.C:malletmallet import-dir -input sample-dataclassify-input* -output classify-input.mallet此命令等价于：C:malletjava cc.mallet.classify.tui.Text2Vectors -input sample-dataclassify-input* -outputclassify-input.vectors此命令是把classify-input（此名称可以根据自己的需要改，我在此命名此文件夹名为classify-input）目录下的文件夹中的所有数据转为特征向量的形式，mallet可用已转换好的数据格式进行训练、测试分类器等操作。注：在此，classify-input下有三个文件夹，分别为sport、science、food。执行此命令后，系统会自动将数据分为三类，类别名称为sport、science、food，三个文件夹下的数据类别分别于所属文件夹名称一一对应。2.C:malletmallet train-classifier -input classify-input.mallet-trainerNaiveBayes-training-portion 0.8 -output-classifier classifier1.classifier此命令等价于：C:malletjava cc.mallet.classify.tui.Vectors2Classify -inputclassify-input.vectors-trainerNaiveBayes-training-portion 0.8 -output-classifierclassifier1.classifier此命令是训练、测试分类器。-input参数的值classify-input.mallet是第一步中生成的特征向量，-trainer参数的值NaiveBayes是指训练分类器的算法，可以指定其他算法，例如MaxEnt等。-training-portion参数的值这里是0.8，可以根据需要设定，0.8的意思是随机抽取classify-input.mallet数据中的80%当训练数据，剩下的当测试数据，用于测试已训练好的分类器的准确性等等性能指标。-output-classifier参数的值classifier1.classifier是所存已训练好的分类器的名称。3.C:malletjava cc.mallet.classify.tui.Text2Classify -input sample-datadataclassify-test.txt -output - -classifier classifier1.classifier此命令是用已训练好的分类器来对一未知类别文本进行分类。-input参数值sample-datadataclassify-test.txt是要进行分类的未知类别文本的位置。-output后面参数值“-”意思是直接在命令行中输出所属各个类别的概率。-classifier参数的值是指使用的分类器名称（即，训练好的分类器）。注：对未知类别文本进行分类时不需进行数据预处理，直接输入文本即可，文本中一行代表一个分类实例。主题建模1. C:malletmallet import-dir -input sample-datatopic-input -output topic-input.mallet-keep-sequence -remove-stopwords此命令是将topic-input目录下的所有文本转换为特征序列，-keep-sequence参数必须有，否则会出错，因为主题建模时所用数据源就是特征序列，而不是特征向量，所以必须用-keep-sequence此参数来限制转换数据的格式。-remove-stopwords的意思是移除停用词。2. C:malletmallet train-topics -input topic-input.mallet-num-topics 2 -output-doc-topicsdocstopics-inferencer-filename infer1.inferencer此命令是用第一步的数据进行主题建模，参数-num-topics的值2意思是限定主题个数为2，可以根据需要设置其他值，默认的主题数为10.。-output-doc-topics参数的意思是输出文档-主题矩阵，存到docstopics文件中。-inferencer-filename参数的意思是对将训练好的主题模型进行存储，以备后用，在此，此主题模型存到参数值infer1.inferencer中，可根据习惯自行命名。3.C:malletmallet import-dir -input sample-datadata -outputtopic-test.mallet-keep-sequence -remove-stopwords同1说明。4.C:malletmallet infer-topics -input topic-test.mallet-inferencerinfer1.inferencer -output-doc-topicstestdocstopics用训练好的主题模型对未标示的文本topic-test进行主题推断。-inferencer参数的意思是用已经训练好的主题模型infer1.inferencer进行对未知文本的主题推断。-output-doc-topics参数的意思是输出文档-主题矩阵，存到docstopics文件中。注：文本分类时未知文本必须用一文档表示，文档中每行代表一分类实例。而主题建模时可以对单个文档主题建模，可以对一目录下的所有文档进行主题建模，例如主题建模第三步，可以用import-dir命令。C:malletmallet import-file -input sample-datadatatopi