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

1. 重复比例计算：基于字符级n-gram的频率分布计算
2. 默认值：保留重复比例在0.0-0.5之间的样本
3. 过滤逻辑：只保留重复比例在 [min_ratio, max_ratio] 范围内的样本
4. 适用场景：清理模板文本、过滤重复内容、检测低质量文本