LLM-N-Gram重复比率过滤组件主要用于大语言模型（LLM）的文本数据预处理工作，保留字符级或者词语级N-Gram重复比率在指定范围内的样本。
使用限制
仅支持MaxCompute计算引擎。
算法简介
将文本中的内容按照字符或词语进行大小为N的滑动窗口操作，形成了长度为N的片段序列。每一个片段称为Gram，对所有Gram的出现次数进行统计。最后统计频次大于1的Gram的频次总和 / 所有Gram的频次总和两者比率作为重复比率进行样本过滤。
如果是词语级统计，会先将所有单词转成小写格式再计算重复度。
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，支持选择多个列。 | 无 |
是否根据字符级N-Gram重复比率过滤 | 否 |
| 无 | |
是否根据词语级N-Gram重复比率过滤 | 否 |
| 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。