stopwords_filter

功能概述

该算子根据停用词在文本中的比例进行过滤，保留停用词比例大于指定最小值的样本。

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，影响停用词表和分词方式
tokenization	bool	否	False	是否使用模型进行分词（中文建议开启）
min_ratio	float	否	0.3	最小停用词比例
use_words_aug	bool	否	False	是否使用词语增强（中文建议开启）
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>": "这是一段需要检测停用词比例的文本内容"}

输出数据格式

输出为 JSONL 格式，每行一个符合条件的样本，仅包含 text 字段。

使用示例

命令行调用

# 英语停用词过滤
python scripts/run_stopwords_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang en \
  --min_ratio 0.3

# 中文停用词过滤（建议开启 tokenization 和 use_words_aug）
python scripts/run_stopwords_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang zh \
  --tokenization \
  --use_words_aug \
  --min_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，支持 en, zh, all 等）
• --tokenization: 是否使用分词模型（中文建议开启）
• --min_ratio: 最小停用词比例（默认0.3）
• --use_words_aug: 是否使用词语增强（中文建议开启）
• --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

1. 停用词比例 = 停用词数量 / 总词数
2. 中文处理建议开启 tokenization 和 use_words_aug
3. 处理大量数据时可适当增加 num_proc 提高效率