網站介紹

「MALLET」為一工具包，亦為一開源軟體，其主要的編寫者為Andrew McCallum，並由多位研究生與教職員協助設計。而MALLET網站的主要設計人則是軟體編寫協助者之一的David Mimmo，另有3位同樣參與了軟體編寫的人員協同網頁之設計。

文章介紹

「MALLET」是一個Java工具包，可應用其對文本進行下列6項操作：

一、 統計自然語言處理

二、 文本分類

三、 叢集（Clustering）

四、 主題建模

五、 資訊提取

六、 其他機器學習之應用

MALLET包含可用於文本分類的工具，如：

一、 將文本轉換成形態（Feature）的高效率常式（Routine）

二、 各式演算法（含單純貝式（Naïve Bayes）、最大熵法則（Maximum Entropy）及決策樹（Decision Trees））

三、 評估分類器性能之編碼（使用各種常用的度量指標）

除了分類（Classification）功能之外，MALLET還包含了可用於應用程式的序列標記（Sequence Tagging）工具，例如自文本提取命名實體（Named-entity）。而其演算法包含隱藏式馬可夫模型（Hidden Markov Models）、最大熵馬可夫模型（Maximum Entropy Markov Models）及條件隨機域（Conditional Random Fields），這些演算法皆應用於有限狀態傳感機（Finite-state Transducer）的可延伸系統上。

主題模型在分析大量未標記的文本時十分好用，MALLET的主題建模工具包含了LDA（隱含迪利克雷分布，Latent Dirichlet Allocation）、彈珠機分布模型（Pachinko Allocation Model）以及hLDA（層次主題模型，Hierarchical LDA）。

許多MALLET的演算法依賴數值最優化（Numerical Optimization），在這方面MALLET含有限制內存BFGS（Limited Memory BFGS）以及許多其他的優化演算法。

除了機器學習的應用程式之外，MALLET還包含了能夠將文本轉換成數字顯示的常式，這能使得處理文本的過程更有效率。此轉換過程是透過一個靈活的「管道」實施的，其用於處理許多不同的事務，例如標記字串、刪除停用詞以及將序列轉換為計數向量（Count Vector）等。

MALLET有一名為「GRMM」的附加工具包，其含有一般圖模式（Graphical Models）的推理輔助，以及任意圖形結構的條件隨機域之訓練。