使用主题建模Java工具包

Question

我正在进行文本分类，我想使用主题模型（LDA）。 我的语料库包含至少24,000个波斯新闻文件。语料库中的每个文档都是从新闻中提取的（关键字，权重）对的格式。

我看到了两个Java工具包：mallet和lingpipe。 我已经阅读了有关导入数据的mallet教程，它以纯文本形式获取数据，而不是我拥有的格式。有什么方法可以改变吗？

还阅读了一些关于lingpipe的内容，教程中的示例使用的是整数数组。大数据方便吗？

我需要知道哪种LDA实现对我更好？还有其他适合我数据的实现吗？ （在Java中）

Answer 1

从关键字权重文件中，您可以创建一个包含具有给定权重的随机顺序的单词的人工文本。在如此生成的文本上运行mallet以检索主题。