cas-bigdatalab 功能概述
该算子计算单词级 n-gram 重复比率，过滤保留重复比率在指定范围内的样本。
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 |
| tokenization | bool | 否 | False | 是否使用分词模型 |
| rep_len | int | 否 | 10 | n-gram 重复长度 |
| min_ratio | float | 否 | 0.0 | 最小重复比率 |
| max_ratio | float | 否 | 0.5 | 最大重复比率 |
| 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>": "这是一段需要检测重复比例的文本内容"}
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本。
使用示例
命令行调用
# 英语单词重复过滤
python scripts/run_word_repetition_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--rep_len 3 \
--min_ratio 0.0 \
--max_ratio 0.2
# 中文单词重复过滤
python scripts/run_word_repetition_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--lang zh \
--tokenization \
--rep_len 3 \
--min_ratio 0.0 \
--max_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）--tokenization: 是否使用分词模型--rep_len: n-gram 重复长度（默认10）--min_ratio: 最小重复比率（默认0.0）--max_ratio: 最大重复比率（默认0.5）--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
- 是批处理算子，可适当调整 batch_size 提高效率
- 中文处理建议开启
tokenization