我想知道什么是最好的基于 Java 的开源文本挖掘框架，以使用 botg 机器学习和字典方法。
我正在使用 Mallet，但没有那么多文档，我不知道它是否符合我的所有要求。
问问题
26472 次
7 回答
6
老实说，我认为这里提供的几个答案非常好。但是，为了满足我的要求，我选择将Apache UIMA与ClearTK一起使用。它支持多种 ML 方法，我没有任何许可证问题。另外，我可以对其他 ML 方法进行封装，并利用 UIMA 框架，该框架组织良好且速度快。
谢谢大家有趣的答案。
最好的问候，乌克兰
于 2010-03-04T15:14:22.823 回答
2
您可能已经了解 GATE： http: //gate.ac.uk/
...但这就是我们（在我的日常工作中）用于许多不同文本挖掘问题的方法。它非常灵活和开放。
于 2010-02-20T22:49:06.657 回答
2
我使用LingPipe——一套用于人类语言语言分析的 Java 库——用于文本挖掘（和其他相关）任务。
它是一个文档齐全的软件包，该站点包含几个教程，这些教程彻底解释了如何使用 LingPipe 完成特定任务，例如命名实体识别。还有一个新闻组，您可以在其中发布有关软件（或 NLP 相关任务）的任何问题，并得到软件包作者本人的及时回复；当然还有博客。
源代码也很容易理解并且有据可查，对我来说，这总是一个很大的优势。
至于机器学习算法，有很多，从朴素贝叶斯到条件随机场。另一方面，对于字典匹配算法，它们有一个ExactDicitonaryChunker，它是 Aho-Corasich 算法的一个实现（这个任务的一个非常非常快的算法）。
总而言之，我认为它是 Java 最好的 NLP 软件包之一（我没有使用过那里的每一个软件包，所以我不能说它是最好的），我绝对推荐它来完成以下任务你手头有。
于 2010-02-20T20:32:27.150 回答
2
于 2010-02-20T19:10:51.637 回答
1
我使用 OpenNLP MaxEnt http://sourceforge.net/projects/maxent/为 CoNLL 数据构建了一个最大熵命名实体识别器，用于一次课程。
虽然需要使用自定义 perl 脚本进行大量数据预处理，但确实可以将所有特征提取到漂亮的数字向量中。
于 2010-02-20T22:54:04.617 回答
0
我们使用 lucene 处理来自互联网的实时流。它有一个原生的java api。
http://lucene.apache.org/java/docs/
然后，您可以使用 mahout，它是一组在 lucene 之上运行的机器学习算法。
于 2010-02-20T19:46:22.107 回答