木槌構圖文件中的null-sources

我想使用木槌作爲培訓主題。我的數據在一個文件中，所以我研究瞭如何構建這個One Single文件的木槌文檔。木槌構圖文件中的null-sources

在Mallet website，每行部分一個文件，一個實例下，有人說：

[URL] [語言] [頁的文字...]

在這種情況下，每行的第一個標記（空格分隔，帶有可選逗號）將成爲實例名稱，第二個標記將成爲標籤，並且該行上的所有其他文本將被解釋爲一系列的單詞標記。

所以根據上述報價，我創造了這樣我的單個文件：

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

，然後導入這個單個文件：

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

在那之後，我訓練3個主題：

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，當我打開data_composition.txt，它具有以下結構：

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

所以，現在的問題是：爲什麼在這個組成文件不槌打印null-source？我希望它在源標題下打印URL（即我的例子中的ID）。

編輯：

我想是這樣的：

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

在此先感謝！

來源

2016-12-07 inverted_index

輸入文件的第一列不包含URL。嘗試

file://0

而不是隻是0。

來源

2016-12-08 12:48:57 jknappen

感謝您的回覆，關於您的回覆，數字（1,2,3等）是槌子預期的URL。換句話說，我怎麼能告訴木槌數字是網址？你知道嗎？ @jknappen –

「合成」文件第一列中的數字只是行號，從0開始計數。它們與文檔URL沒有任何關係，將出現在第二列中。 – jknappen

我隨機給出了這些數字（他們不是行號）我自己給出了這些數字。欲瞭解更多信息，請關注編輯過的帖子。 @jknappen –

嘗試升級到最新版本槌在這裏：http://mallet.cs.umass.edu/download.php

槌情況下有一個「名」和「源」字段。在以前的版本中，--output-doc-topics已打印出來。當前的穩定版本2.0.8會打印名稱，這是您要顯示的字段。

請注意，此版本也默認爲主題比例的「密集」表示形式，每個主題只有一列。

來源

2016-12-14 15:00:45

木槌構圖文件中的null-sources

回答

相關問題