LLM-文章相似度去重组件主要用于大语言模型(LLM)的文本数据预处理工作,使用SimHash算法计算文本间的相似度,实现文本去重。
使用限制
仅支持MaxCompute计算引擎。
可视化配置参数
您可以在Designer中,通过可视化的方式配置组件参数。
页签 | 参数 | 是否必选 | 描述 | 默认值 |
字段设置 | 选择目标处理列 | 是 | 选择要处理的列。 | 无 |
全局唯一字段列 | 是 | 该列的值必须是全局唯一。 | 无 | |
用于排序字段 | 是 | 强烈建议选择数值列!升序排序后,保留该字段值更小的文章。 | 无 | |
Jaccard相似度阈值 | 否 | 取值范围:0~1.0的浮点数。 英文建议值0.85,中文建议值0.95。 | 0.95 | |
levenshtein编辑距离占比阈值 | 否 | 取值范围:0~100的整数。 | 90 | |
SQL脚本 | 否 | 根据条件对输入table数据进行筛选,即SQL的where部分,需包含where关键词。 | 无 | |
设置输出表生命周期 | 否 | 正整数,单位为天。默认28天,28天后该组件产生的临时表被回收。 | 28 | |
执行调优 | 每个实例的cpu数目 | 否 | 设定map task每个instance的CPU数目,取值范围为[50,800]。 | 100 |
每个实例的memory大小,单位M | 否 | 设定map task每个instance的memory大小,单位为MB,取值范围为[256,12288]。 | 1024 | |
每个实例处理的数据大小,单位M | 否 | 设定map task每个instance的最大处理数据量,用户可以通过控制该变量,实现对map端输入的控制。单位为MB,取值范围为[1,Integer.MAX_VALUE]。 | 256 |
相关文档
关于Designer组件更详细的内容介绍,请参见Designer概述。
文档内容是否对您有帮助?