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：

²       JAVA_HOME：该环境变量的值就是Java所在的目录，

例如C:/Program Files/Java/jdk1.6.0_10

²       PATH：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%/bin

²      CLASSPATH：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%/lib/tools.jar；%JAVA_HOME%/lib/dt.jar

²      运行àcmd

²       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。

²      下载http://ant.apache.org/bindownload.cgi，解压 放到你要的目录

²      配置

     ANT_HOME：设置为apache-ant的解压目录，例如：C:/server/apache-ant-1.8.0
             classpath： %ANT_HOME%/lib

     Path ：%ANT_HOME%/bin

²      测试

²      运行àcmd

²       输入 ant

结果如下则表示配置成功

Buildfile: build.xml does not exist!
Build failed

3．下载mallet 最新版本mallet-2.0.5，地址：http://mallet.cs.umass.edu/download.php

       配置环境变量：

²       MALLET_HOME=MALLET的解压目录，例如C:/mallet     MALLET的解压目录若有-2.0.5不能成功

²       Path中添加 %MALLET_HOME%/bin

²       classpath:%mallet_home%/class;%mallet_home%/lib;%mallet_home%/lib/mallet-deps.jar

²      运行àcmd，进入到mallet的解压目录

²       输入 ant

如果出现Buildsuccessful字样，则表示配置成功

 

二．Mallet简要说明

 

全称：MAchine Learning for LanguagEToolkit

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。

 

三．Mallet使用步骤

 

文本分类：

 

1.     C:/mallet>mallet import-dir --inputsample-data/classify-input/* --output classify-input.mallet

此命令等价于：

C:/mallet>javacc.mallet.classify.tui.Text2Vectors --input sample-data/classify-input/* --output classify-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:/mallet>mallet train-classifier --inputclassify-input.mallet --trainer NaiveBayes--training-portion 0.8 --output-classifier classifier1.classifier  

此命令等价于：

C:/mallet>javacc.mallet.classify.tui.Vectors2Classify --input classify-input.vectors --trainer NaiveBayes --training-portion 0.8 --output-classifier classifier1.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:/mallet>javacc.mallet.classify.tui.Text2Classify --input sample-data/data/ classify-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-data/data/ classify-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:/mallet>mallet import-dir --inputsample-data/topic-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.mallet train-topics --input topic-input.mallet --num-topics 5 --output-doc-topics docstopics --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:/mallet>mallet import-dir --input sample-data/data --output topic-test.mallet --keep-sequence  --remove-stopwords

 

同1说明。

 

4.    C:/mallet>malletinfer-topics --input topic-test.mallet --inferencer infer1.inferencer --output-doc-topics testdocstopics

 

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：

²       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:/mallet>malletimport-file --input sample-data/data/topic-test.txt --output topic-test.mallet --keep-sequence --remove-stopwords

 

 

²       import-file，import-dir，train-topics，infer-topics，train-classifier等等这些命令可以通过以下操作进行查询：

C:/mallet>mallet

查询每条命令的参数可以通过以下命令行操作进行：

例如：C:/mallet>mallet import-dir --help

可以根据自己的需要选用参数。

self: 在ubantu下使用mallet工具包：

首先将工具包解压到 /home/xxx/Downloads/mallet 目录下，然后按照下列方式配置环境变量(/etc/profile)

export MALLET_HOME=/home/xxx/Downloads/mallet
export PATH=$PATH:$MALLET_HOME/bin
export CLASSPATH=.:$MALLET_HOME/class:$MALLET_HOME/lib:$MALLET_HOME/lib/mallet-deps.jar

在/home/xxx/Downloads/mallet目录下，输入mallet命令，就可以看到效果了

转自：http://blog.csdn.net/xianggelilaling/article/details/5634815