描述 #

词重复比例计算器 - 基于N-gram词组重复比例的文本特征提取

核心功能 #

• 词重复比例计算：精确统计文本中重复词组的比例
• 双语言支持：支持中文、英文的分词处理
• 灵活配置：支持不同长度的N-gram词组计算

应用场景 #

• 文本质量评估
• 数据清洗和预处理
• 内容重复检测

技术特性 #

• 支持两种分词模式：
  • 基于空格分词：适用于英文等空格分隔的语言
  • 基于模型分词：使用sentencepiece模型，中文须使用此模式
• 可配置N-gram长度：支持1-N个词的组合
• 智能过滤：自动过滤特殊字符，提高计算准确性

算子参数 #

输入 #

输出 #

词重复比例列，元素为浮点数，表示重复词组比例

参数 #

如参数没有默认值，则为必填参数

调用示例 #

下面的代码展示了如何使用 daft 运行算子计算文本中基于N-gram的词组重复比例。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.text.word_repetition_calculator import WordRepetitionCalculator
from daft.las.functions.udf import las_udf

if __name__ == "__main__":

    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S.%s".format(),
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.set_runner_ray()
    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    samples = {
        "text": [
            "人工智能技术正在快速发展，人工智能技术在各领域的应用越来越广泛。人工智能技术可以帮助我们解决复杂问题，人工智能技术的未来充满无限可能。",
            "这是一个没有重复词汇的文本示例，每个词语都只出现一次。",
            None,
        ]
    }
    repetition = 2
    lang = "zh"
    tokenization = True

    ds = daft.from_pydict(samples)
    ds = ds.with_column(
        "repetition_ratio",
        las_udf(
            WordRepetitionCalculator,
            construct_args={
                "repetition": repetition,
                "lang": lang,
                "tokenization": tokenization,
                "model_path": os.getenv("MODEL_PATH", "/opt/las/models"),
                "model_name": "kenlm/wikipedia",
            },
        )(col("text")),
    )

    ds.show()
    # ╭─────────────────────────────────────────────────────────────┬─────────────────────╮
    # │ text                                                        ┆ repetition_ratio    │
    # │ ---                                                         ┆ ---                 │
    # │ String                                                      ┆ Float64             │
    # ╞═════════════════════════════════════════════════════════════╪═════════════════════╡
    # │ 人工智能技术正在快速发展，人工智能技术在各领域的应用越来越… ┆ 0.14285714285714285 │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ 这是一个没有重复词汇的文本示例，每个词语都只出现一次。      ┆ 0                   │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ None                                                        ┆ None                │
    # ╰─────────────────────────────────────────────────────────────┴─────────────────────╯