LLM-文本标准化(DLC)

LLM-文本标准化(DLC)组件主要用于将文本Unicode标准化以及繁体转简体。输入的OSS数据文件(JSONL格式,示例)需符合:每一行是一个合法的JSON对象,文件由多行JSON对象组成,整个文件本身不是合法的JSON对象。

支持的计算资源

DLC

算法说明

LLM-文本标准化组件支持以下功能:

  • Unicode文本标准化,使用NFKC的方式标准化文本。

    ftfy.fix_text(text, normalization='NFKC')

  • 繁体转成简体使用opencc包转换。

    使用opencc包转换。

效果如下:

处理前

image

处理后

image

配置组件

Designer工作流页面添加LLM-文本标准化(DLC)组件,并在界面右侧配置相关参数:

参数类型

参数

是否必选

描述

默认值

字段设置

目标处理字段

要处理的字段名称。

是否将Unicode文本标准化(NFKC方式)

是否将Unicode文本标准化(NFKC方式)。

选中

是否将繁体转简体

是否将繁体转简体。

选中

数据输出OSS目录

处理后数据的OSS存储目录。如果为空,使用工作空间默认路径。

执行调优

多进程个数

设置进程数。

8

选择资源组

公共资源组

选择节点规格(CPUGPU实例规格)、节点数量、专有网络。

专有资源组

选择CPU核数、内存、共享内存、GPU卡数、节点数量。

最大运行时长

组件最大运行时长,超过这个时间,作业会被kill。