cas-bigdatalab 功能概述
该算子使用语言模型（KenLM）计算文本的困惑度分数，过滤保留困惑度在指定范围内的样本。低困惑度表示文本流畅自然。
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入数据文件路径 (JSON/JSONL格式) |
| output_path | string | 是 | - | 输出数据文件路径 (JSONL格式) |
| lang | string | 否 | 'en' | 语言代码（影响分词和语言模型） |
| max_ppl | float | 否 | 1500 | 最大困惑度阈值（低于此值保留） |
| batch_size | int | 否 | 1 | 批处理大小 |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
| text_key | string | 否 | text | 要操作的文本字段名 |
输入数据格式
输入文件应为 JSON 或 JSONL 格式，每行包含一个样本，样本需包含 text_key 指定的字段（默认 text）：
{"<text_key>": "这是一段需要检测困惑度的文本内容"}
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本，仅包含 text 字段。
使用示例
命令行调用
# 英语文本困惑度过滤
python scripts/run_perplexity_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--lang en \
--max_ppl 900
# 中文文本困惑度过滤
python scripts/run_perplexity_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--lang zh \
--max_ppl 1500
参数说明
--input_path: 输入文件路径--output_path: 输出文件路径--lang: 语言代码（默认 en，支持 en, zh 等）--max_ppl: 最大困惑度阈值（默认1500）--batch_size: 批处理大小（默认1）--num_proc: 并行进程数，默认1--text_key: 要操作的文本字段名（默认text）
注意事项
- 该算子使用 sentencepiece 进行分词，kenlm 计算困惑度
- 低困惑度表示文本流畅自然，高困惑度可能表示文本混乱或随机
- 支持的语言包括：en, zh 等
- 处理大量数据时可适当增加 batch_size 和 num_proc 提高效率