自然语言处理工具包MALLET教程-中文版安装使用指南

Mallet：自然语言处理工具包

 

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NaïveBayes, 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HiddenMarkov Models, Maximum Entropy Markov Models, and Conditional Random Fields.

MALLET也包含主题模型：topic modeling toolkit containsefficient, 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：

²        JAVA_HOME：该环境变量的值就是Java所在的目录，

例如C:\ProgramFiles\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 notexist!
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

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 Learningfor 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。

 

三．Mallet使用步骤

 

文本分类：

 

1.      C:\mallet>mallet import-dir--input sample-data\classify-input\* --output classify-input.mallet

此命令等价于：

C:\mallet>javacc.mallet.classify.tui.Text2Vectors --inputsample-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-portion0.8 --output-classifier classifier1.classifier  

此命令等价于：

C:\mallet>java cc.mallet.classify.tui.Vectors2Classify--input classify-input.vectors --trainer NaiveBayes --training-portion0.8 --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 --input sample-data\topic-input --outputtopic-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:\mallet>mallet train-topics --input topic-input.mallet --num-topics 2--output-doc-topics docstopics --inferencer-filenameinfer1.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 --outputtopic-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。