text dedup
Reference Snapshot
pip install text-dedupили
pip install git+https://github.com/ChenghaoMou/text-dedupGitHub Pages
Этот репозиторий содержит набор сценариев дедупликации текста, которые готовы к использованию или изменяются в зависимости от ваших потребностей:
У меня также есть большие планы на будущее:
Тем не менее, я не собираюсь строить библиотеку дедупликации общего назначения, которая была целью этого репо. Я также постепенно уйду с пакета PYPI. Причиной этого является то, что каждый вариант использования может отличаться и требует тщательного дизайна и рассмотрения. Я искренне призываю вас сначала прочитать сценарий (они относительно короткие), чтобы вы могли понять, что здесь поставлено на карту при его использовании. Вы можете использовать его для начальной загрузки своего собственного сценария или просто использовать его в качестве ссылки.
Этот репозиторий вдохновлен следующими проектами и сильно влияет уроки, извлеченные из моего собственного участия в BigScience (Apache 2.0) и BigCode (Apache 2.0). Есть сообщение в блоге о путешествии. Отзывы приветствуются!
Измените text_dedup/minhash_spark.py для вашего собственного проекта и набора данных сначала!
Предполагая, что у вас есть загруженный набор данных (в паркете) в разделе "./temp-data", вы можете обработать с файлом с вашим локальным вычислительным вычислением:
export PYSPARK_PYTHON= " path to your python with scipy, xxhash, and numpy installed "
spark-submit --executor-memory 16g
--driver-memory 20g
--executor-cores 3
--num-executors 2
--packages graphframes:graphframes:0.8.2-spark3.2-s_2.12
--conf " spark.executor.extraJavaOptions=-Dlog4j.configuration=./log4j.properties "
--conf " spark.driver.extraJavaOptions=-Dlog4j.configuration=./log4j.properties "
text_dedup/minhash_spark.py
--input " ./temp-data "
--output " ./temp-output "
--column " text "
--threshold 0.7 DEBUG __main__ - ------------------------------------------------------------------------------------------------------------------------
DEBUG __main__ - Using B=25, R=10
DEBUG __main__ - Loaded documents: 88803
DEBUG __main__ - args.input='./temp-data'
DEBUG __main__ - args.output='./temp-output'
DEBUG __main__ - args.threshold=0.7
DEBUG __main__ - args.ngram_size=5
DEBUG __main__ - args.min_length=5
DEBUG __main__ - args.num_perm=250
DEBUG __main__ - args.column='text'
DEBUG __main__ - id : bigint
DEBUG __main__ - text : string
DEBUG __main__ - meta : struct<warc_headers:struct<warc-record-id:string,warc-date:string,content-type:string,content-length:int,warc-type:string,warc-identified-content-language:string,warc-refers-to:string,warc-target-uri:string,warc-block-digest:string>,identification:struct<label:string,prob:float>,annotations:array<string>,line_identifications:array<struct<label:string,prob:float>>>
DEBUG __main__ - __id__ : bigint
DEBUG __main__ - ------------------------------------------------------------------------------------------------------------------------
DEBUG __main__ - Initial edges: 52102
DEBUG __main__ - Edges DataFrame: 52102
DEBUG __main__ - Vertices DataFrame: 50206
DEBUG __main__ - Assignment DataFrame: 50206
DEBUG __main__ - Merging records: 88803
INFO __main__ - Saving with 1 partitions and 44092 rows each
DEBUG __main__ - ------------------------------------------------------------------------------------------------------------------------
DEBUG __main__ - Number of rows before: 88803
DEBUG __main__ - Number of rows after: 44092
DEBUG __main__ - Percentage of rows kept: 49.65%
DEBUG __main__ - Output: ./temp-output
DEBUG __main__ - Time: 68.80s
DEBUG __main__ - ------------------------------------------------------------------------------------------------------------------------
Или посмотрите на BigCode-V2/Run.sh о том, как запустить задание с помощью GCP DataProc.
Основываясь на модели Google RetSIM (GitHub, Arxiv), это встраивание, основанное на методе ближней размены.
Для большого набора данных для быстрого вывода потребуется графические процессоры для быстрого вывода.
python text_dedup/ann_unisim.py --path truthful_qa --name generation --split validation --output temp --column questionВыход:
INFO Load Dataset : 5.56s
INFO Index Dataset : 8.13s
INFO Clustering : 8.72s
INFO Filtering : 0.35s
INFO Saving : 0.01s
INFO Cleaning : 0.00s
INFO Total : 22.77s
INFO Before : 817
INFO After : 788
# input
python -m text_dedup.suffix_array
--path " oscar-corpus/OSCAR-2201 "
--name " gl "
--split " train "
--cache_dir " ./cache "
--output " output/suffix_array/oscar_gl_dedup "
--column " text "
--google_repo_path " /Users/chenghao/Downloads/Projects/text-dedup/deduplicate-text-datasets "
--use_auth_token true
# output
INFO Loading : 2.75 seconds
INFO Preprocessing : 4.78 seconds
INFO SuffixArray : 98.29 seconds
INFO SelfSimilar : 4.24 seconds
INFO Restore : 0.25 seconds
INFO Deduplicate : 6.23 seconds
INFO Saving : 8.91 seconds
INFO Total : 125.45 seconds
INFO Before : 180332342 bytes (88803)
INFO After : 97646271 bytes (40404) # input
python -m text_dedup.minhash
--path " oscar-corpus/OSCAR-2201 "
--name " gl "
--split " train "
--cache_dir " ./cache "
--output " output/minhash/oscar_gl_dedup "
--column " text "
--batch_size 10000
--use_auth_token true
# output
INFO Loading : 2.62 seconds
INFO MinHashing : 0.08 seconds
INFO Clustering : 2.20 seconds
INFO Filtering : 0.53 seconds
INFO Saving : 9.86 seconds
INFO Total : 15.29 seconds
INFO Data Number (before) : 88803
INFO Data Number (after) : 44124 (49.69%)
INFO Duplicate Number : 44679 (50.31%)
INFO ? Happy Deduplicating ? # input
python -m text_dedup.simhash
--path " oscar-corpus/OSCAR-2201 "
--name " gl "
--split " train "
--cache_dir " ./cache "
--output " output/simhash/oscar_gl_dedup "
--column " text "
--batch_size 10000
--use_auth_token true
# output
INFO Loading : 2.60 seconds
INFO SimHashing : 0.04 seconds
INFO Indexing : 28.88 seconds
INFO Filtering : 0.88 seconds
INFO Saving : 10.41 seconds
INFO Total : 42.80 seconds
INFO Data Number (before) : 88803
INFO Data Number (after) : 46163 (51.98%)
INFO Duplicate Number : 42640 (48.02%)
INFO ? Happy Deduplicating ? # input
python -m text_dedup.exact_hash
--path " oscar-corpus/OSCAR-2201 "
--name " gl "
--split " train "
--cache_dir " ./cache "
--output " output/exact_hash/oscar_gl_dedup "
--column " text "
--batch_size 1000
--use_auth_token true
# output
INFO Loading : 2.95s
INFO Processing : 3.79s
INFO Filtering : 0.10s
INFO Saving : 2.89s
INFO Total : 9.72s
INFO Before : 88803
INFO After : 47049 # input
python -m text_dedup.bloom_filter
--path " oscar-corpus/OSCAR-2201 "
--name " gl "
--split " train "
--cache_dir " ./cache "
--output " output/bloom_filter/oscar_gl_dedup "
--error_rate 1e-5
--column " text "
--use_auth_token true --batch_size 1000
# output
INFO Loading : 2.72s
INFO Processing : 4.84s
INFO Filtering : 0.10s
INFO Saving : 2.88s
INFO Total : 10.54s
INFO Before : 88803
INFO After : 47045Примечание
Реализация Spark имеет некоторые накладные расходы для небольших наборов данных, поэтому я рекомендую использовать сценарий только тогда, когда у вас есть большой набор данных и достаточный вычислительный ресурсов.
См. tests/benchmark_core.py для воспроизведения.
| Алгоритм | Точность (дубликаты) | Напомним (дубликаты) | Точность (не дубликаты) | Напомним (не дубликаты) | Macro F1 оценка | Точность | Время |
|---|---|---|---|---|---|---|---|
| Унисим | 0,9307 | 0,8924 | 0,9055 | 0,9394 | 0,9181 | 0,9054 | 1305,79 с |
| Минхаш Спарк | 0,957 | 0,9445 | 0,9471 | 0,959 | 0,952 | 0,9202 | 691.77S |
| Минхаш | 0,9594 | 0,9445 | 0,9474 | 0,9616 | 0,9534 | 0,924 | 18.88s |
| Симхаш | 0,9042 | 0,721 | 0,792 | 0,9329 | 0,8481 | 0,8321 | 644,36 с |
| Точное название | 0,8302 | 0,5521 | 0,7098 | 0,9065 | 0,77 | 0,7456 | - |
| Точное соответствие заголовка 1 | 0,830 | 0,50 | 0,709 | 0,992 | 0,757 | 0,746 | - |
| Симхаш соответствует 1 | 0,697 | 0,247 | 0,598 | 0,985 | 0,631 | 0,616 | - |
| Документ вектор сходство 1 | 0,912 | 0,779 | 0,861 | 0,986 | 0,885 | 0,883 | - |
| Гибридный метод 1 | 0,908 | 0,828 | 0,899 | 0,979 | 0,904 | 0,903 | - |
| Лабсе 2 | 0,937 | 0,923 | 0,930 | 0,943 | 0,933 | 0,919 | - |
| Многоязычное использование 2 | 0,917 | 0,907 | 0,918 | 0,927 | 0,917 | 0,909 | - |
| Многоязычный E5-баз 2 | 0,931 | 0,908 | 0,919 | 0,939 | 0,924 | 0,920 | - |
| Минхаш + LSH 2 | 0,929 | 0,902 | 0,915 | 0,938 | 0,921 | 0,918 | - |
| Retsim Partial Dup 2 | 0,945 | 0,941 | 0,945 | 0,949 | 0,945 | 0,928 | - |
| Retsim ближайший 2 | 0,928 | 0,937 | 0,942 | 0,934 | 0,935 | 0,926 | - |
См. tests/benchmark_news.py для воспроизведения.
Скорректированный индекс RAND (ARI) в наборе данных о новостях:
| Модель/алгоритм | Ари |
|---|---|
| Симхаш | 0,612 |
| Минхаш (искра) | 0,740 |
| Минхаш | 0,742 |
| Retsim ближе к Dup + Ann* | 0,051 |
| N-грамм 3 | 0,440 |
| Симхаш 2 | 0,695 |
| Минхаш 3 | 0,737 |
| Минхаш 2 | 0,783 |
| Многоязычное использование 2 | 0,730 |
| Многоязычный E5-баз 2 | 0,742 |
| S-Bert 3 | 0,700 |
| Retsim Partial Dup 2 | 0,831 |
| Retsim ближайший 2 | 0,704 |
| Повторный рейтинг 3 | 0,937 |
| Bi-Encoder 3 | 0,915 |
*: Я не могу воспроизводить результаты из бумаги.
Apache 2.0
Как правило, вы можете цитировать этот репозиторий как:
@software { chenghao_mou_2023_8364980 ,
author = { Chenghao Mou and
Chris Ha and
Kenneth Enevoldsen and
Peiyuan Liu } ,
title = { ChenghaoMou/text-dedup: Reference Snapshot } ,
month = sep,
year = 2023 ,
publisher = { Zenodo } ,
version = { 2023.09.20 } ,
doi = { 10.5281/zenodo.8364980 } ,
url = { https://doi.org/10.5281/zenodo.8364980 }
}Версия Spark родилась от BigCode (Apache 2.0) и BigScience (Apache 2.0), и вы можете привести оригинальную бумагу, если хотите:
@article {
kocetkov2023the,
title = { The Stack: 3 {TB} of permissively licensed source code } ,
author = { Denis Kocetkov and Raymond Li and Loubna Ben allal and Jia LI and Chenghao Mou and Yacine Jernite and Margaret Mitchell and Carlos Mu{~n}oz Ferrandis and Sean Hughes and Thomas Wolf and Dzmitry Bahdanau and Leandro Von Werra and Harm de Vries } ,
journal = { Transactions on Machine Learning Research } ,
issn = { 2835-8856 } ,
year = { 2023 } ,
url = { https://openreview.net/forum?id=pxpbTdUEpD } ,
note = { }
}Дедупликация научных документов с использованием локальности, чувствительного к локальности и встроения слов ↩ 2 ↩ 3 ↩ 4
RETSIM: устойчивое и эффективное сходство текста ↩ ↩ 2 ↩ 3 ↩ 4 ↩ 5 ↩ 6 ↩ 7 ↩ 8 ↩ 9 ↩ 10 ↩ 11 ↩ 12
Длубление шума в масштабе ↩ 2 ↩ 3 ↩ 4 ↩ 5
