Character Repetition Filter 字符重复比例过滤 Skill
功能概述
本skill根据文本中字符级n-gram的重复比例进行过滤，只保留重复比例在指定范围内的样本。
常用于过滤过度重复的文本、清理模板生成的低质量文本等场景。
触发条件
当用户请求以下任务时，应使用此skill：
- 字符重复过滤
- 重复比例筛选
- 文本重复过滤
- 清理重复内容
- 过滤模板文本
- 检测重复文本
核心参数说明
必需参数
| 参数 | 说明 |
|---|---|
--input |
输入JSON文件路径 |
--output |
输出JSON文件路径 |
可选参数
| 参数 | 说明 | 默认值 |
|---|---|---|
--rep_len |
字符级n-gram重复长度 | 10 |
--min_ratio |
最小重复比例 | 0.0 |
--max_ratio |
最大重复比例 | 0.5 |
--text_key |
文本字段的键名 | text |
输入文件格式
[
{"text": "正常文本内容"},
{"text": "过度重复的文本aaaaaaa..."},
{"text": "另一段正常文本"}
]
使用方法
默认参数过滤（rep_len=10, min_ratio=0.0, max_ratio=0.5）
python scripts/run_character_repetition_filter.py \
--input ./input.json \
--output ./output.json
自定义重复比例范围
python scripts/run_character_repetition_filter.py \
--input ./input.json \
--output ./output.json \
--min_ratio 0.0 \
--max_ratio 0.4
自定义n-gram长度
python scripts/run_character_repetition_filter.py \
--input ./input.json \
--output ./output.json \
--rep_len 5
过滤示例
| 文本 | 重复比例 | 过滤结果 (0.0-0.4) |
|---|---|---|
Today is Sund Sund Sund Sund Sund Sunda... |
高 | 过滤 |
a v s e c s f e f g a a a a a a a a a a |
高 | 过滤 |
，。、„""«»１»... |
低 | 保留 |
中文也是一个字算一个长度 |
低 | 保留 |
输出示例
命令行输出：
[OK] Character repetition filtering completed!
Rep length: 10
Min ratio: 0.0
Max ratio: 0.4
Original documents: 4
Filtered documents: 2
Removed documents: 2
Input file: ./input.json
Output file: ./output.json
输出JSON格式：
[
{"text": "过滤后保留的文本1"},
{"text": "过滤后保留的文本2"}
]
环境要求
安装依赖：
本SKILL使用依赖 data_juicer，请在调用前安装好python环境并安装data_juicer：
pip install py-data-juicer
注意事项
- 重复比例计算：基于字符级n-gram的频率分布计算
- 默认值：保留重复比例在0.0-0.5之间的样本
- 过滤逻辑：只保留重复比例在 [min_ratio, max_ratio] 范围内的样本
- 适用场景：清理模板文本、过滤重复内容、检测低质量文本
