Question

我想使用槌来培训主题。我的数据在一个文件中，所以我研究了如何构建这个One Single文件的mallet文档。

在Mallet website中，在一个文件，每行一个实例部分下，有人说：

[URL] [语言] [页面文字...]

在这种情况下，第一个令牌   每行（空格分隔，带有可选的逗号）成为   实例名称，第二个标记成为标签，所有附加标记   该行上的文本被解释为一系列单词标记。

所以根据上面的引用，我用这种方式创建了我的单个文件：

127  en  some text here...
982  en  some text here...
1003  en  some text here...
...

然后导入此单个文件：

bin\mallet import-file --input data.txt --output data.mallet --keep-sequence

之后，我培训了3个主题：

bin\mallet train-topics --input data.mallet --num-topics 3 --output-doc-topics data_composition.txt --word-topic-counts-file data_wcounts.txt

但是，当我打开data_composition.txt时，它具有以下结构：

#doc source topic proportion ...    
0 null-source 0 0.4057970941066742 1 0.3188405930995941 2 0.2753623127937317

所以现在的问题是：为什么mallet会在此合成文件上打印null-source？我希望它在源标题下打印URL（即我的情况下的ID）。

修改

我想要这样的事情：

#doc source topic proportion ...    
0     127   0 0.4057970941066742 1 0.3188405930995941 2 0.2753623127937317 
1     982    ... (topic probabilities) ...
2     1003   ... (topic probabilities) ...

提前谢谢！

Answer 1

输入文件的第一列不包含网址。尝试

file://0

而非0。

Answer 2

尝试在此处升级到最新的Mallet版本：http://mallet.cs.umass.edu/download.php

Mallet实例有一个＆＃34;名称＆＃34;和一个＆＃34;来源＆＃34;领域。在以前的版本中，--output-doc-topics打印了源代码。当前稳定版本2.0.8打印名称，即您要显示的字段。

请注意，此版本默认为＆＃34;密集＆＃34;主题比例的表示，每个主题有一列。

mallet组合文件中的null-sources

2 个答案: