Mallet使用说明

MAchine Learning for LanguagE Toolkit (Mallet) 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 mallet/src /cc/mallet/pipe 。

使用步骤：

一、文本分类：

1.     处理数据格式：将文本变成mallet数据文件

 C:/mallet>bin/mallet import-dir --input sample-data/classify-input/* --output classify-input.mallet

--input 输入文件或文件夹

--output 输出文件.mallet

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。

此命令等价于：

C:/mallet>java cc.mallet.classify.tui.Text2Vectors --input sample-data/ classify-input /* --output classify-input.vectors

输入单个文件可以用import-file命令，注意：input和output命令后可以跟多个文件，如

C:/mallet>bin/mallet import-svmlight --input train test --output train.mallet test.mallet