Mallet使用--output-topic-docs参数输出txt文件为空问题求助

问题成因 #

你遇到的报错是Mallet 2.0.8及之后正式版的已知代码缺陷：cc.mallet.topics.ParallelTopicModel类的printTopicDocuments方法在输出主题关联文档时，错误将实例存储的文档来源URI对象直接强转为String类型，类型不匹配触发运行时异常，直接中断--output-topic-docs参数对应的文件写入流程，因此只会生成空文件。

解决方案 #

方案1：无代码修改，直接用已有输出文件计算 #

你的运行命令已经指定了--output-doc-topics参数生成了文档-主题分布文件，基于该文件可直接计算每个主题的最相关文档：

• 读取doc-topics文件，跳过开头的说明行
• 每行第三列起为对应主题在该文档中的占比
• 按主题维度遍历，取该主题占比最高的前N个文档即可，逻辑比依赖Mallet自带输出更可控。

方案2：修改源码重新编译 #

找到Mallet源码中ParallelTopicModel.java的1773行，将原有强转代码：
String name = (String) instance.getName();
修改为兼容URI类型的代码：
String name = instance.getName().toString();
重新编译Mallet后运行命令即可正常生成topic-docs文件。

方案3：导入数据集时添加规避参数 #

在执行import-dir/import-file生成.mallet数据集文件时，添加--name-as-filename参数，将实例的name字段存储为纯字符串格式的文件名而非URI对象，即可规避类型转换错误，后续训练时--output-topic-docs参数可正常输出结果。

内容的提问来源于stack exchange，提问作者Maarten D.