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
difftastic - 基于语法分析的结构化文件对比工具
DifftasticGithub代码解析多语言支持开源项目结构化差异工具语法对比
difftastic是一款基于语法分析的结构化文件对比工具。它支持30多种编程语言，能识别代码嵌套、行对齐和换行等特性，提供智能化的差异展示。difftastic可与Git和Mercurial集成，支持合并冲突解析。虽然性能和稳定性有待提升，但它为开发者带来了新颖的代码比对方式。
xxHash - 高性能哈希算法库 支持多种平台和数据规模
GithubxxHash哈希算法开源项目数据完整性跨平台高性能
xxHash是一个高性能的开源哈希算法库，包含XXH32、XXH64和XXH3等算法。它能以接近RAM速度的极快速度处理数据，并在所有平台上生成一致的哈希值。该库通过了SMHasher测试，保证了优秀的哈希质量。xxHash在处理大小数据时都表现出色，适用于哈希表和布隆过滤器等场景。库提供了简单的一次性和流式哈希API，并支持多种编译选项来优化性能和二进制大小。
Synonyms - 中文近义词自然语言处理工具包
GithubSynonyms中文近义词分词开源项目相似度计算自然语言处理
Synonyms是一个开源的中文近义词工具包,用于自然语言处理任务。它支持文本对齐、相似度计算、语义偏移和关键词提取等功能。该工具包基于大规模词向量模型,覆盖43万余词汇,适用于聊天机器人、问答系统、推荐系统等场景。Synonyms提供词语和句子相似度计算API,可用于多种NLP应用。
docfd - 高效多线程文档搜索与查找工具
DocfdGithubTUI多线程开源项目文档搜索模糊搜索
Docfd是一款基于TUI的多行文档搜索工具，支持文本文件、PDF等多种格式。该工具采用多线程索引和搜索技术，提供多文件和单文件视图切换、内容预览等功能。Docfd集成了主流文本编辑器和PDF查看器，支持快速跳转到搜索结果。其搜索功能涵盖模糊匹配、精确匹配、前缀/后缀匹配等多种表达式，为文档搜索提供了灵活高效的解决方案。
unstructured - 简化非结构化数据处理的开源工具
Githubopen-sourceunstructured开源项目数据处理模块函数预处理工具
该开源工具提供了处理图像和文本文档（PDF、HTML、Word文档等）的组件，能够优化大语言模型（LLM）的数据处理流程。通过模块化功能和连接器系统，简化数据导入和预处理，将非结构化数据高效转换为结构化数据。其无服务器API提供了高效、响应迅速的解决方案。快速入门指南涵盖了在容器中运行库以及多种安装方法。
Quetext - 多功能文本分析平台 检测抄袭与AI生成内容
AI工具AI检测DeepSearch技术Quetext引用生成器查重工具
Quetext是一个综合性文本分析平台，主要功能包括抄袭检测和AI生成内容识别。平台采用DeepSearch™技术，能够高效分析文本并提供详细报告。除核心功能外，Quetext还提供引文生成工具，支持多种语言，并通过直观反馈和评分系统帮助用户提高写作质量。该平台适用于学术和专业写作领域，是保障内容原创性的实用工具。
nlp-hanzi-similar - 开源汉字相似度计算工具 支持多维度比较
GithubNLP开源项目汉字相似度相似算法自然语言处理
nlp-hanzi-similar是一个开源的汉字相似度计算工具，基于多个维度进行比较，包括四角编码、拼音、汉字结构、偏旁部首、笔画数和拆字。该项目支持自定义实现和词库，为汉字NLP研究提供基础支持。工具提供Java和Python版本，可应用于语言认知科学等领域研究。
uniflow-llm-based-pdf-extraction-text-cleaning-data-clustering - 多源文档提取与转换的统一LLM框架
GithubLLM接口uniflow开源项目数据转换文档提取模型微调
uniflow是一个开源项目，为多种文档类型提供统一的LLM接口，实现数据提取和转换。支持PDF、HTML和TXT等格式，兼容OpenAI、Google Gemini和AWS BedRock等主流LLM模型。该项目致力于解决遗留文档处理和数据准备的难题，为数据科学家提供生成隐私保护训练数据集的工具，简化LLM微调流程。uniflow还包含多个实用案例，如财务报告分析和教育资料问答生成等。
awesome-semantic-search - 语义搜索与语义相似性全面资源
AIGithubNLPSemantic SearchSemantic SimilarityText Embedding开源项目
综合性语义搜索和相似性资源库，包含多领域的学术论文、工具和数据集，适用于搜索引擎优化和信息检索研究，不仅限于文本，还涵盖图像、语音等应用。
custom-diffusion - 文本到图像扩散模型微调方法
Custom DiffusionGithubStable Diffusion图像生成多概念定制开源项目文本到图像扩散模型
该项目提供了一种高效的文本到图像扩散模型微调方法。只需调整部分模型参数，即可在短时间内完成训练，并减少存储需求。项目还支持多概念组合，附带新数据集和完整的训练步骤。适用于多种类别和应用场景。
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