Text Entity Dependency Filter

Documents

text_entity_dependency_filter

Text Entity Dependency Filter is an Agent Skill for documents published in the cas-bigdatalab/piflow repository on GitHub: a SKILL.md instruction file an AI agent can load to do this task.

文本实体依赖过滤器。识别文本中与其他令牌独立的实体，并对其进行过滤。本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用以下指令进行安装： pip install py-data-juicer 当用户提到实体依赖过滤、文本实体检测、依存关系过滤、实体独立性过滤等需求时使用此skill。

View on GitHub ↗

QUICK START

How to use this skill

Bring this guide into your coding agent with a prompt tailored to the tool you use.

Open your project in Codex.
Copy and paste the prompt below.
Review files and risks before approving any action.

Prompt to paste

Inspect the Agent Skill at https://github.com/cas-bigdatalab/piflow/blob/HEAD/workspace/skills/text_entity_dependency_filter/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/text-entity-dependency-filter, but wait for my approval before writing files or running scripts.

Copying this prompt does not install or run the skill. Review third-party files before use.

功能概述

该算子使用 spaCy 模型识别文本中的实体及其依赖关系，过滤保留具有依赖关系的实体（不孤立的实体）。支持多种过滤策略：

any: 任意一个实体符合条件即保留
all: 所有实体都符合条件才保留

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：'en' 或 'zh'
min_dependency_num	int	否	1	最小依赖边数
any_or_all	string	否	'all'	过滤策略：'any' 或 'all'
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>": "Tom is playing piano."}

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

# 英语实体依赖过滤
python scripts/run_text_entity_dependency_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang en \
  --any_or_all any

# 中文实体依赖过滤
python scripts/run_text_entity_dependency_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang zh \
  --min_dependency_num 1 \
  --any_or_all all

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，仅支持 en 和 zh）
--min_dependency_num: 最小依赖边数（默认1）
--any_or_all: 过滤策略（默认 all）
--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

该算子使用 spaCy 模型进行实体依赖分析
需要安装 spacy-pkuseg（pip install spacy-pkuseg）
仅支持英语(en)和中文(zh)