Text Pair Similarity Filter

Documents

text_pair_similarity_filter

Text Pair Similarity 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.

文本对相似度过滤器。过滤器将文本之间具有相似性的文本对保留在特定范围内。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 当用户提到文本对相似度过滤、文本对过滤、双文本相似度、文本配对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_pair_similarity_filter/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/text-pair-similarity-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CLIP模型计算两个文本之间的相似度，过滤相似度在指定范围内的文本对。支持多种过滤策略：

any: 任意一个文本对符合条件即保留
all: 所有文本对都符合条件才保留

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)
hf_clip	string	否	'openai/clip-vit-base-patch32'	HuggingFace上的CLIP模型
min_score	float	否	0.1	最小相似度分数
max_score	float	否	1.0	最大相似度分数
text_key_second	string	是	-	第二个文本字段名
any_or_all	string	否	'any'	过滤策略：'any' 或 'all'
num_proc	int	否	1	并行处理的进程数

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，样本需包含两个文本字段：

{"text": "a lovely cat", "target_text": "a cute cat"}

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

python scripts/run_text_pair_similarity_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --text_key_second target_text \
  --min_score 0.85 \
  --max_score 0.99 \
  --any_or_all any

参数说明

--input_path: 输入文件路径
--output_path: 输出文件路径
--hf_clip: CLIP模型（默认：openai/clip-vit-base-patch32）
--min_score: 最小相似度分数（默认0.1）
--max_score: 最大相似度分数（默认1.0）
--text_key_second: 第二个文本字段名（必填）
--any_or_all: 过滤策略，默认any
--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CLIP模型计算文本对相似度，首次运行会下载模型
必须指定 text_key_second 参数
依赖 torch 和 transformers，请确保已安装