cas-bigdatalab 功能概述
该算子根据停用词在文本中的比例进行过滤，保留停用词比例大于指定最小值的样本。
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，影响停用词表和分词方式 |
| tokenization | bool | 否 | False | 是否使用模型进行分词（中文建议开启） |
| min_ratio | float | 否 | 0.3 | 最小停用词比例 |
| use_words_aug | bool | 否 | False | 是否使用词语增强（中文建议开启） |
| 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>": "这是一段需要检测停用词比例的文本内容"}
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
# 英语停用词过滤
python scripts/run_stopwords_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--lang en \
--min_ratio 0.3
# 中文停用词过滤（建议开启 tokenization 和 use_words_aug）
python scripts/run_stopwords_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--lang zh \
--tokenization \
--use_words_aug \
--min_ratio 0.2
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, all 等）--tokenization: 是否使用分词模型（中文建议开启）--min_ratio: 最小停用词比例（默认0.3）--use_words_aug: 是否使用词语增强（中文建议开启）--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
- 停用词比例 = 停用词数量 / 总词数
- 中文处理建议开启
tokenization和use_words_aug - 处理大量数据时可适当增加 num_proc 提高效率