将Python字符串传递给Mallet进行主题建模

Question

我正在用BeautifulSoup从HTML中提取一些文本和相关信息，想要建立一个文本库。如果我能在Python中调用Mallet，并让它从Python字符串中分析主题，而不是从文件夹里的文本文件中分析，那就太好了。这样我就可以把Mallet找到的关键词放到每个文件里。

当我运行以下代码时，出现了一个消息，表示Mallet已经被识别：

from nltk.classify import mallet
from subprocess import call
mallet.config_mallet("malletdir/mallet-2.0.7/bin")

但是在接下来的步骤中我没有成功，甚至不确定Mallet是否只接受保存的文件。

我找不到任何我能理解的文档。有没有人见过容易理解的文档？（NLTK的书里没有涉及Mallet）。我也很乐意了解在Python中进行主题建模的其他方法，这些方法我可以在不需要深入了解Python的情况下使用。

抱歉，这是我第一次尝试。

Answer 1

我曾经尝试在一个NLTK项目中使用Mallet，结果遇到了很多麻烦。这里要强调的是，Mallet是基于Java的，而NLTK是用Python写的。

你可能已经知道这一点，但我想说的是，我在这两种技术混合使用时遇到了困难，因为我对Java不太熟悉。我也听到同事们对用Python调用Mallet的反馈，他们都说：“准备花很多时间调试吧。”

从那以后，我开始使用sklearn这个Python库。它主要是针对机器学习的，虽然不是专门为自然语言处理（NLP）设计的，但也能很好地用于这方面。这个库提供了很多建模工具，而且大部分功能依赖于NumPy，所以运行速度应该很快。我用得不少，觉得它写得很好，文档也很清晰。

我并不是想让你放弃使用Mallet，尤其是因为我这么说。但如果你愿意考虑其他选择，我觉得在用NLTK构建项目时，使用Python模块会简单得多，因为NLTK本身就是用Python写的。希望这些对你有帮助！

Answer 2

如果你还在寻找解决方案的话，可以试试Gensim。它是一个用Python写的主题建模和机器学习的工具包，里面有一个很简单好用的Mallet封装，而且文档也写得很清楚。你可以在这里找到一些Gensim的教程，还有一个专门讲解Mallet封装的教程。另外，你可能还想看看一些安装说明（主要是关于设置Java内存的部分），可以在这里找到，了解完后你就可以开始使用了。