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
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。
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。
ugrep - 高效全能的开源文件搜索工具
Githubugrep命令行工具开源软件开源项目文本搜索正则表达式
ugrep是一款开源的高性能文件搜索工具,支持Unicode和多行匹配。它能搜索压缩文件和PDF等文档,提供交互式TUI界面和类Google的布尔查询。ugrep完全兼容GNU grep,并增加了模糊搜索、二进制文件搜索等新功能。其高效的DFA正则表达式引擎保证了快速的搜索速度。ugrep支持JSON、XML等多种输出格式,是一个功能全面的现代grep替代工具。
pythia-2.8b-deduped - 提升语言模型的解释力与科学研究
Apache许可证EleutherAIGithubHuggingfacePythia开源项目模型训练数据语言模型
Pythia Scaling Suite促进语言模型的解释性研究，其模型通过在去重后的The Pile数据集上的统一流程训练，涵盖从70M到12B多种规模。提供丰富的训练与评估细节，对比显示同类模型的优劣。适合于学术探索，但不应用于实际环境。
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。
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。
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。
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

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

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

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

Project Cover

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

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

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