Mallet主要用于文本分類，所以它設計思路都是偏向文本分類的。

由于需要用到里面的最大熵以及貝葉斯算法?所以?得研究一下

主頁?：http://mallet.cs.umass.edu/index.php

參考文章：http://mallet.cs.umass.edu/classifier-devel.php

?????????http://mallet.cs.umass.edu/import-devel.php

?

網上找了下，材料不多，只能自己苦逼地去看官方提供的一些guide還有API，然后就研究源代碼了

我的目的是，把MALLET導入到自己的java項目中（用的是eclipse),然后靈活地用里面一些算法，bayes，和最大熵算法進行文本分類。

導入到工程部分：

下載鏈接:http://mallet.cs.umass.edu/download.php??我這個時候的最新版本是2.0.7

這是壓縮包里面的內容，把src文件夾以及lib里面的jar包都拷貝到工程項目里面，把jar包都加載到工程上

?

?

?

?

?

?

?

?

?

?

?

?

最終我的工程目錄是這樣的，src放我自己的一些類

malletSrc放mallet的源碼

mallet文件夾里面放的都是對應的jar包

?

?

?

?

?

?

?

下面是我的研究筆記:

具體各個類的用法只能通過API和源碼以及自己的測試去分析了。

下面提供一些測試例子

為了生成一個Instance得搞定下圖這幾個東西啊..REF:http://mallet.cs.umass.edu/import-devel.php

好像子類還好多，我只研究到我夠用的幾個東西就O了。

源代碼里面的注釋:

An?instance?contains?four?generic?fields?of?predefined?name:???
?????"data",?"target",?"name",?and?"source".???"Data"?holds?the?data?represented???
????`by?the?instance,?"target"?is?often?a?label?associated?with?the?instance,???
?????"name"?is?a?short?identifying?name?for?the?instance?(such?as?a?filename),???
?????and?"source"?is?human-readable?sourceinformation,?(such?as?the?original?text).

關于Data:

需要Alphabet以及FeatureVetor，配合使用，Alphabet用來保存各個屬性的名字，FeatureVector用來保存一個對象在各個屬性下的值

測試代碼1:??

public static void main(String[] args) { String[] attributeStr = new String[]{"長","寬","高"}; Alphabet dict = new Alphabet(attributeStr); double[] values = new double[]{1,2,3}; FeatureVector vetor = new FeatureVector(dict, values); System.out.println(vetor.toString()); }

輸出:

長(0)=1.0
寬(1)=2.0
高(2)=3.0

我們可以指定values對應與哪個屬性值，從0開始，比如長對應0，寬對應1，高對應2，測試如下

public static void main(String[] args) { String[] attributeStr = new String[]{"長","寬","高"}; Alphabet dict = new Alphabet(attributeStr); double[] values = new double[]{1,2,3}; int[] indices = new int[]{2,0,1}; FeatureVector vetor = new FeatureVector(dict, indices,values); System.out.println(vetor.toString()); }

輸出:

長(0)=2.0
寬(1)=3.0
高(2)=1.0

一個比較地方需要注意的是如果指明的values的對應索引有重復，比如，2和3都指明它屬于長，那么得到的值是累計的而不是覆蓋的，值為5，這個就單詞統計的效果吧

String[] attributeStr = new String[]{"長","寬","高"}; Alphabet dict = new Alphabet(attributeStr); double[] values = new double[]{1,2,3}; int[] indices = new int[]{2,0,0}; FeatureVector vetor = new FeatureVector(dict, indices,values); System.out.println(vetor.toString());

輸出:

長(0)=5.0
高(2)=1.0

好吧?先把Data搞定了。FeatureVector就是我需要的data

Source：我就讓它為NULL了

Label:

/**?You?should?never?call?this?directly.??New?Label?objects?are???
????????????created?on-demand?by?calling?LabelAlphabet.lookupIndex(obj).?*/

上面是源代碼的一句話，Label需要通過LabelAlphabet來創建，所以再研究下LabelAlphabet，然后做以下測試

public static void main(String[] args) { LabelAlphabet labels = new LabelAlphabet(); Label label = labels.lookupLabel("桌子"); System.out.println(label.toString()); }

輸出為:桌子，這樣一來Label也搞定了

Name:作為一個instance的id號，那么就簡單的用整型作為它的序號好了。

?

好了，這四個東西都搞定了，就可以創建Instance了,然后把Instance都加入到InstanceList里面去?之后就可以參考http://mallet.cs.umass.edu/classifier-devel.php

進行分類了，分類測試代碼如下:

import cc.mallet.*; import cc.mallet.classify.Classifier; import cc.mallet.classify.ClassifierTrainer; import cc.mallet.classify.MaxEntTrainer; import cc.mallet.types.Alphabet; import cc.mallet.types.FeatureVector; import cc.mallet.types.Instance; import cc.mallet.types.InstanceList; import cc.mallet.types.Label; import cc.mallet.types.LabelAlphabet; import cc.mallet.types.Labeling; public class test { String label;//實例的類別 double length;//長度 double width;//寬度 double high; public test(String label,double length,double width,double high){ this.label = label; this.length = length; this.width = width; this.high = high; } public static void main(String[] args) { LabelAlphabet labels = new LabelAlphabet(); String[] attributeName = new String[]{"長","寬","高"}; Alphabet dic = new Alphabet(attributeName); labels.lookupIndex("桌子"); labels.lookupIndex("椅子"); InstanceList list = new InstanceList(dic,labels); int id = 0; for(int i = 0; i < 100; ++i){ test temp = new test("桌子",4,2,3); test temp2 = new test("椅子",0,0,0); double[] tempArray = new double[3]; tempArray[0] = temp.length; tempArray[1] = temp.width; tempArray[2] = temp.high; FeatureVector vec = new FeatureVector(dic, tempArray); Instance ins = new Instance(vec, labels.lookupLabel(temp.label), ++id, null); list.add(ins); tempArray[0] = temp2.length; tempArray[1] = temp2.width; tempArray[2] = temp2.high; vec = new FeatureVector(dic, tempArray); ins = new Instance(vec, labels.lookupLabel(temp2.label), ++id, null); list.add(ins); } //創造一個測試樣本 test testTemp = new test("未知",0,0,2); double[] tempArray = new double[3]; tempArray[0] = testTemp.length; tempArray[1] = testTemp.width; tempArray[2] = testTemp.high; FeatureVector vec = new FeatureVector(dic, tempArray); Instance testIns = new Instance(vec,null, ++id, null); //進行最大熵分類 ClassifierTrainer trainer = new MaxEntTrainer(); Classifier classifier = trainer.train(list); Labeling label = classifier.classify(testIns).getLabeling(); System.out.println(label.getBestLabel().toString()); } }

輸出結果?：

得到的分類結果為椅子?左下角

關于那個異常，它備注了，(This?is?not?necessarily?cause?for?alarm.?Sometimes?this?happens?close?to?the?maximum,?where?the?function?may?be?very?flat.)

?

好吧，先研究這樣吧，基本夠我用了，筆記就先這樣記著

轉載于:https://blog.51cto.com/loma1990/1336673

總結

以上是生活随笔為你收集整理的Mallet机器语言工具包-入门测试的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。