Word Repetition Filter

Documents

word_repetition_filter

Word Repetition 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.

单词重复比例过滤器。过滤器将单词级n-gram重复比率的样本保持在特定范围内。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 当用户提到单词重复过滤、文本重复比例过滤、n-gram重复过滤、清理重复内容等需求时使用此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/word_repetition_filter/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/word-repetition-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

该算子计算单词级 n-gram 重复比率，过滤保留重复比率在指定范围内的样本。

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
tokenization	bool	否	False	是否使用分词模型
rep_len	int	否	10	n-gram 重复长度
min_ratio	float	否	0.0	最小重复比率
max_ratio	float	否	0.5	最大重复比率
batch_size	int	否	1	批处理大小
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>": "这是一段需要检测重复比例的文本内容"}

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

# 英语单词重复过滤
python scripts/run_word_repetition_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --rep_len 3 \
  --min_ratio 0.0 \
  --max_ratio 0.2

# 中文单词重复过滤
python scripts/run_word_repetition_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang zh \
  --tokenization \
  --rep_len 3 \
  --min_ratio 0.0 \
  --max_ratio 0.2

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）
--tokenization: 是否使用分词模型
--rep_len: n-gram 重复长度（默认10）
--min_ratio: 最小重复比率（默认0.0）
--max_ratio: 最大重复比率（默认0.5）
--batch_size: 批处理大小（默认1）
--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

是批处理算子，可适当调整 batch_size 提高效率
中文处理建议开启 tokenization