Logo
Project Icon

text-dedup

文本去重工具集，支持多种去重方法和大规模数据集处理

text-dedupMinHashSimHashBloom FilterRETSimGithub开源项目

项目提供一系列文本去重脚本，适用于各种场景，包括嵌入式去重（RETSim/UniSim）、适合大规模数据集的MinHash + MinHashLSH、64或128位SimHash、后缀数组子串去重、布隆过滤器和精确哈希去重等方法。项目支持高效处理大数据集并计划引入更多去重方法，如SuperMinHash和ProbMinHash等。用户可以根据需求来自定义脚本，灵活应用于不同的文本数据处理场景。

访问官网访问官网GithubGithubHuggingfaceHuggingface文档文档
介绍相关项目
similarity - 文本相似度计算工具，支持多种算法及情感分析
GithubJavasimilarityword2vec开源项目情感分析文本相似度
similarity是一个用Java编写的相似度计算工具包，适用于词语、短语、句子和段落的相似度计算及情感分析。其特点包括高效的词林编码法和余弦相似度算法，以及基于词向量模型的近义词推荐功能。该工具包架构清晰，模型惰性加载，词典明文发布，便于用户训练自定义语料，满足多种自然语言处理需求。
datatrove - 用于大规模文本数据处理和去重的开源Python库
DataTroveGithub大规模开源项目数据处理文本去重管道
DataTrove是一个开源Python库，专门用于处理、过滤和去重大规模文本数据。它提供预构建的常用处理模块和自定义功能支持。该库的处理流程可在本地或Slurm集群上运行，具有低内存消耗和多步骤设计，适合处理大型语言模型训练数据等大规模工作负载。DataTrove支持多种文件系统，为数据处理提供灵活解决方案。
fastdup - 无监督的高效图像和视频数据集分析工具
Githubfastdup可视化图片分析开源项目无监督工具视频数据集
fastdup是一款无监督的图像与视频数据集分析工具，能够检测重复、异常和低质量图像。其优化的C++引擎在低资源CPU机器上也能高效运行，处理数百万到数十亿张图像。支持主要操作系统，数据可以本地或云端处理，确保隐私。提供交互式UI和静态图库，便于用户探索分析结果。
similarities - 文本和图像相似度计算与语义搜索的高效工具
CLIPGithubsimilarities图像相似度开源项目文本相似度语义搜索
该工具包提供多种文本和图像相似度计算及语义匹配算法，支持高效处理亿级数据。主要功能包含文本相似度计算、文本搜索、图文匹配、图像搜索等多种算法。项目采用Python3开发，支持命令行操作，基于PyTorch和FastAPI等技术，可实现多语言环境下的高效向量表示及检索，开箱即用。
datasketch - Python概率数据结构库实现大规模数据高效处理
Githubdatasketch大数据处理开源项目数据草图概率数据结构相似度估计
datasketch是一个用于处理和搜索大规模数据的Python库，提供多种概率数据结构如MinHash和HyperLogLog，用于估计Jaccard相似度和基数。该库包含MinHash LSH和HNSW等索引结构，实现亚线性查询时间。支持Python 3.7+版本，兼容Redis和Cassandra存储层，为大数据分析提供高效解决方案。
nlp-lang - 自然语言处理工具包，提供词语标准化、汉字转拼音等功能
GithubViterbi算法nlp-lang开源项目自然语言处理词语标准化词频统计
该项目封装了常用的自然语言处理工具和组件，如词语标准化、tire树结构、文本断句、html标签清理、Viterbi算法等。组件还包括汉字转拼音、简繁体转换、bloomfilter、指纹去重、SimHash相似度计算、词共现统计、内存搜索提示和WordWeight统计等。
MatchZoo - 通用深度文本匹配工具包
GithubMatchZoo工具包开源项目文本匹配深度学习语义匹配
MatchZoo是一个通用的文本匹配工具包，为深度文本匹配研究提供高质量代码库。支持文档检索、问答系统、对话响应排名和同义句识别等任务，具备统一的数据处理管道、简化的模型配置和自动超参数调整功能，使用便捷。
text2vec - 多模型文本向量化工具，支持多语言文本匹配分析
BERTGithubText2vec开源项目文本向量化文本相似度模型训练
text2vec工具实现了多种文本向量表示和相似度计算模型，如Word2Vec、BERT、Sentence-BERT和CoSENT。最新版本增加了多卡推理和命令行工具，方便用户批量处理文本向量化。它在中英文测试集上的表现优秀，尤其新版中文匹配模型在短文本区分上有显著提升。该工具为中文和多语言文本匹配提供了丰富的支持，能够满足各种文本语义分析任务的需求。
gensim - Gensim：高效的Python主题建模和文档索引工具
GensimGithubNLPPython主题建模开源项目文档相似性
Gensim是一个针对自然语言处理和信息检索的Python库，用于执行主题建模、文档索引和相似性检索。该库依靠高效的内存独立算法和多核实现，可以处理超过内存容量的大型语料库。Gensim支持LSA、LDA、RP和HDP等各种流行算法，并支持分布式计算。其直观接口和详实文档使得用户可以轻松集成与扩展，是大规模文本数据处理的优秀选择。
RediSearch - 准确的全文搜索与查询索引模块
GithubRediSearchRedis全文搜索开源项目查询索引
RediSearch提供查询、二级索引和全文搜索功能，使用压缩倒排索引实现快速检索和低内存消耗。功能特性包括精确短语匹配、模糊搜索和数字过滤等，显著增强Redis的应用。支持前缀匹配、布尔查询和自动补全，适用于包括中文在内的多种语言查询。可以通过简单步骤快速部署，支持Docker镜像和Redis云服务。拥有丰富的客户端库，适用于多种编程语言。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号