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
DigestDiff - 智能代码提交历史分析工具
AI工具DigestDiffGitHub代码库提交历史
DigestDiff专注于commit history分析，帮助开发者洞察项目进展和协作过程。工具注重隐私保护，仅访问提交历史而不接触实际代码。支持GitHub集成或手动输入，可生成insightful release notes和代码库概览。DigestDiff为开发团队提供安全、智能的方式解读代码库演变历程。用户可免费试用该工具，体验其独特功能。
usearch - 快速轻量的开源向量搜索引擎
GithubHNSW算法USearch向量搜索引擎多语言支持开源项目相似度搜索
USearch是一个开源的单文件相似性搜索引擎,专注于向量和文本搜索。该引擎比FAISS性能提升10倍,支持多种编程语言和平台。USearch提供SIMD优化和自定义度量功能,具有高内存效率,可从磁盘直接查看大型索引。它兼容多种数据库,适用于语义搜索、聚类等场景,为向量搜索提供了灵活高效的解决方案。
RedisShake - Redis数据处理与迁移工具 支持多版本和云服务
GithubRedisShakeRedis数据迁移云服务兼容开源项目数据处理工具
RedisShake是一个开源的Redis数据处理和迁移工具，支持Redis 2.8至7.2版本。它兼容多种部署方式，包括独立、主从、哨兵和集群模式，以及主流云服务提供商的Redis兼容数据库。RedisShake提供PSync、RDB和Scan等导出模式，支持数据过滤和转换，并兼容TairString、TairZSet和TairHash模块。这个工具可用于多种Redis数据迁移和处理场景。
text2text - 跨语言文本处理的综合工具包
GithubText2Text开源项目文本生成自然语言处理语言翻译跨语言模型
提供跨语言文本生成、翻译、嵌入和问答等功能的NLP工具包，支持百种语言。可在Google Colab平台免费运行，适用学术研究、企业应用和个性化开发。通过示例和快速入门指南，用户能快速掌握强大的多语言模型，高效处理文本。
multilingual-e5-large-pooled - 多语言支持的句子相似性与特征提取模型
GithubHuggingfaceMTEBmultilingual-e5-large分类句子相似度开源项目模型特征提取
此项目基于多语言处理，融合Sentence Transformers技术，专注于句子相似性与特征提取。支持多语言，适用于分类、重排序、文本聚类等多种场景。模型在各种任务中表现优异，如MTEB AmazonCounterfactualClassification和MTEB BUCC中的分类与双语文本挖掘，表现出色。采用MIT许可证，具有高度使用灵活性。
redun - 以高效表达和增量计算为核心的多功能工作流引擎
GithubPythonredun后端工作流引擎开源项目数据处理
redun是一个用Python实现的高效工作流框架，它通过惰性表达式定义工作流，在自动并行化、缓存和数据追溯方面表现出色。支持多种计算后端，包括线程、进程、AWS批处理和Spark作业，适用于生物信息学、化学信息学和Web数据提取等领域。其主要特性包括动态DAG创建、数据和代码变化的增量计算、缓存重用和数据追溯日志，保障了工作流的灵活性和可扩展性。
1filellm - 整合多来源数据的命令行工具
Data2LLMGithubLLM命令行工具开源项目数据聚合自动化
Data2LLM是一款命令行工具，能够高效地聚合和预处理数据，支持从本地文件、GitHub仓库、ArXiv论文、YouTube视频等多个来源提取和整合文本内容，生成适用于大型语言模型的高密度提示。工具自动检测源类型，进行文本预处理，并生成XML格式输出，复制到剪贴板，简化操作流程，提升工作效率。
clip-retrieval - 构建高效图像和文本检索系统的开源工具
Githubclip-retrieval图像嵌入开源项目文本嵌入机器学习语义搜索
clip-retrieval 提供一个建立语义搜索系统的强大工具，使得用户能够迅速实现图像和文本的嵌入计算及索引构建。该项目能在20小时内处理超过1亿的图文嵌入，支持远程查询、数据过滤以及简洁的前端用户界面，适用于学术研究和商业应用。
Lilac - 高效LLM数据集分析与优化工具
AI工具LLM数据处理数据集分析聚类语义搜索
Lilac是一款专为大型语言模型(LLM)数据质量提升设计的分析工具。它集成了数据搜索、量化和编辑功能，提供语义聚类、关键词检索和字段比较等分析方法。Lilac可在20分钟内完成百万级数据点的聚类和标题生成，每分钟可嵌入5亿个标记，实现快速处理大规模数据集、识别数据概念，并筛选适合特定任务的数据。此外，Lilac还支持PII检测和重复数据识别等特性。凭借高效的数据处理能力和直观的操作界面，Lilac成为数据科学家和AI从业者优化产品的重要助手。
jcseg - 轻量级中文分词和关键字提取工具，支持多种语言
GithubJcsegJettymmseg算法中文分词关键字提取开源项目
Jcseg是一款基于mmseg算法的中文分词器，具备关键字、短语、句子提取及文章自动摘要功能，支持Lucene、Solr、Elasticsearch分词接口。其内置Jetty高性能Web服务器，提供多种分词模式、自定义词库、同义词匹配和拼音追加，适合多种语言客户端调用。
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