【发布时间】：2014-04-04 21:23:09
【问题描述】：
根据 MALLET documentation，可以逐步训练主题模型：
"-output-model [FILENAME] 此选项指定要写入的文件 序列化的 MALLET 主题训练器对象。这种类型的输出是 适合暂停和重新开始训练”
我想在一组数据上训练主题，然后用另一组数据增加模型。在两个训练步骤之后，我想输出两个数据集的状态（使用 --output-state）。这是我尝试的方法：
# training on the first dataset
../mallet-2.0.7/bin/mallet import-dir --input input/ --keep-sequence --output input.mallet
../mallet-2.0.7/bin/mallet train-topics --input input.mallet --num-topics 3 --output-state topic-state.gz --output-model model
# training on the second dataset
../mallet-2.0.7/bin/mallet import-dir --input input2/ --keep-sequence --output input2.mallet --use-pipe-from input.mallet
../mallet-2.0.7/bin/mallet train-topics --input input2.mallet --num-topics 3 --num-iterations 100 --output-state topic-state2.gz --input-model model
在最后一个命令中，如果我添加“--input-model model”，则来自第二个数据集的数据不会出现在输出状态文件中。如果我不添加它，则输出状态文件中不存在第一个数据集的数据。
如果我尝试在代码中向模型添加其他实例：
model.addInstances(instances);
model.setNumThreads(2);
model.setNumIterations(50);
model.estimate();
[...]
model.addInstances(instances2);
model.setNumThreads(2);
model.setNumIterations(50);
model.estimate();
我收到一个错误：
Exception in thread "main" java.lang.ArrayIndexOutOfBoundsException: 30
at cc.mallet.topics.ParallelTopicModel.buildInitialTypeTopicCounts(ParallelTopicModel.java:364)
at cc.mallet.topics.ParallelTopicModel.addInstances(ParallelTopicModel.java:276)
at cc.mallet.examples.TopicModel2.main(TopicModel2.java:66)
之前MALLET列表上也有类似问题：http://permalink.gmane.org/gmane.comp.ai.mallet.devel/924,http://permalink.gmane.org/gmane.comp.ai.mallet.devel/2139
那么主题模型的增量训练是否可行？
【问题讨论】：
-
你知道这是否可能@vpekar？
-
这有什么更新吗？
标签： topic-modeling mallet