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
tidytext - 应用整洁数据原则的R文本挖掘工具包
GithubR语言tidytext可视化开源项目数据处理文本挖掘
tidytext是一个基于R语言的文本挖掘工具包，运用整洁数据原则简化文本分析流程。它提供文本格式转换函数，实现与其他文本挖掘包的兼容。支持词频统计、情感分析和主题建模等任务，可与dplyr、ggplot2等R包集成使用。tidytext通过标准化和简化流程，提高了文本分析的效率和一致性。
HarvestText - 开源文本处理和分析工具，支持无监督方法和领域知识整合
GithubHarvestTextPython开源项目文本预处理无监督方法自然语言处理
HarvestText 是一个开源文本处理与分析工具，专注于无（弱）监督方法，能够整合领域知识，高效处理和分析特定领域文本。主要功能包括精细分词、文本清洗、实体链接、命名实体识别和依存句法分析等，并支持情感分析、关系网络构建、文本摘要及信息检索等高级应用。广泛应用于小说分析、网络文本及专业文献处理，具备高效灵活的特点。
textdistance - Python文本距离和相似度计算库
GithubPython库TextDistance字符串比较开源项目相似度计算算法
TextDistance是一个计算序列距离和相似度的Python库。它实现了30多种算法,包括编辑距离、基于令牌、基于序列、基于压缩和语音等类型。该库支持纯Python实现,可比较多个序列,并提供NumPy加速选项。TextDistance接口简单灵活,适用于各种文本分析和字符串比较任务。
Dmeta-embedding-zh - 提供多任务处理的句子相似度与特征提取模型
Dmeta-embeddingGithubHuggingface分类句子相似度开源项目模型特征提取重排序
此开源项目专注于实现多语言特征提取与文本分类的多任务模型，适用于多种MTEB数据集场景。模型实现句子相似度的有效评估，并在分类、聚类、再排序和检索任务中展现出良好的性能。采用多种数学计算方法，如余弦相似度、曼哈顿距离、欧氏距离等，确保结果的精确性与适应性。项目支持中英文文本处理，适用于学术研究及商业应用中的多种场景。
jusText - 智能网页正文提取工具 保留核心内容
GithubPython库jusText开源项目文本提取网页清理
jusText是一个开源的网页内容提取工具，专注于保留网页中的核心文本信息。该工具可自动移除导航栏、页眉页脚等非核心内容，仅保留完整句子组成的主体文本。jusText广泛应用于语言资源构建和网络语料库创建。它支持Python、C++、Go和Java等多种编程语言，并为用户提供简洁的命令行接口和Python API，便于快速集成到现有项目中。
Fuzzy Match - 高效智能的数据匹配解决方案
AI工具Fuzzy Match数据匹配数据处理文本搜索机器学习
Fuzzy Match运用机器学习算法实现高效数据匹配。该工具能识别文本相似度、发现拼写错误，并精准匹配各类信息。通过融合模糊匹配和语义分析技术，Fuzzy Match可处理格式多样的数据集，大幅提升数据清理效率和准确性。这一解决方案适用于搜索优化、拼写检查和数据清理等多个领域，为数据处理提供了强大而灵活的支持。
dud - 高效数据版本管理与流程自动化工具
DudGithub命令行工具开源项目数据版本控制数据管道
Dud是一款轻量级数据版本管理工具，支持大文件处理和数据流程自动化。它采用YAML文件存储数据操作步骤，能够灵活构建数据处理流程。相比同类工具，Dud性能更优，操作更简单，专注于数据管理核心功能。它采用显式提交机制，默认使用符号链接，并通过Rclone实现高效的远程缓存管理。Dud不会隐式修改数据，为用户提供更可控的数据处理体验。
UDiffText - 基于字符级扩散模型的高质量图像文本合成框架
GithubUDiffText图像生成字符级编码开源项目扩散模型文本合成
UDiffText是一个基于字符级扩散模型的文本合成框架，能在任意图像中生成高质量文本。该框架适用于合成和真实图像，可进行场景文本编辑、任意文本生成和精确的文本到图像生成。项目包含完整的训练和评估流程，支持LAION-OCR、ICDAR13等多个数据集。UDiffText为文本合成和图像处理领域提供了新的解决方案。
sensitive-word - 基于DFA算法的高性能敏感词检测工具，支持自定义与实时更新
DFA算法Githubsensitive-word工具开源项目敏感词高性能
基于DFA算法的敏感词检测工具，具备6万多个词库和简洁的Fluent-API实现。支持敏感词的判断、返回和脱敏操作，可检测邮箱、网址等信息，并可实时更新用户自定义数据。还提供大小写、全角半角、繁简体转换等多种格式处理，确保高精度与灵活性。
DocDiff - 基于残差扩散模型的轻量级文档图像增强工具
DocDiffGithub图像处理开源项目扩散模型文档增强深度学习
DocDiff是一个基于残差扩散模型的轻量级文档增强工具，用于文档去模糊、去噪、二值化和去水印等任务。该模型在128*128分辨率上训练仅需12GB显存。除文档处理外，DocDiff还适用于自然场景图像处理和语义分割。项目提供完整代码和预训练模型，便于快速实现和应用。
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