本项目为一个清洗对话数据的多线程框架,针对知乎、微博、贴吧等。 目前还比较简陋,欢迎提bug和优化,比如句内重复短语降重函数的正则或者后缀算法。 代码还在继续完善中,注释以及一些函数出处引用等待完善。
目录结构
--scripts: 存放运行脚本
---run.sh: 使用我挑选的几个规则来运行run_dist.py
--src: 清洗框架功能主目录
---inputters: 存放dataloader 和 存取数据工具函数
---rules: 存放各级别的规则函数
---single_filter.py: run_dist.py所调用的单个线程的主程序,加载处理单个数据,并保存过滤后的数据以及脏
---tool_data: 存放黑名单词典,每行一个词
---run_dist.py: 主运行文件,加载dataloader,加载黑名单,简历线程池
---utils: 数据统计,结果检测
运行并保存日志
bash ./scripts/run.sh 2>&1 | tee -a cleaning.log
Rules
规则包括目前大部分论文内的清洗规则:
1 黑名单过滤,包括特殊字符和脏话
2 emoji表情
3 邮箱、电话号等隐私过滤, 人名 替换为NAME1、NAME2。。。
4 URL过滤
5 unicode 相关修复
6 去重:包括重复词缩减、过滤掉上下文相同的句子、重复的对话
7 meena以及dialogpt中使用的广告、通用回复筛除
以上识别出来的噪音,如可在句中抹去则抹去。
如不可抹去则放弃该句子:即,若是单轮对话放弃该对话,若是多轮对话则以该句为分割,切分对话。
NOTE THAT: 1, 改动某规则的时候注意是否影响到其他规则, 规则清洗顺序有要求 2, 黑名单如人名、特殊话题等可根据需要配置放置到 ./tool_data/下,文件命名可自行配置请参阅。/run_dist.py中dataloader。黑名单可到github上搜寻,如 https://github.com/fighting41love/funNLP 3, 将在每个函数上方给定测试样例,下方给定期待样例 4, 目前run.sh中使用的参数为本人正在使用的功能
Auguments
参数 | 描述 |
---|---|
n_p | 多进程数 |
batch_size | 单个进程最大处理session数 |
tool_dir | 工具数据所在目录(如黑名单) |
out_dir | 清洗后的文件输出目录 |
raw_dir | 待处理文件所在mull |
dirty_dir | 存储清洗出来的脏数据,如为空则不存 |
:--------------- | :------------------- |
split_multi_repost | 将微博转发数据按"//@aaa XXXX //@bbb XXX"撕开成多句 |
no_utter_dup | 如果 context == response 则去掉该对话 |
re_name | 人名用 , ...替换 |
no_ad | 去除可能是广告的对话(同样的回复对应多个context)借鉴论文 |
de_generic_dialog | 去通用回复 借鉴论文 |
no_short_response | 去掉对话尾部所有过短回复 |
:--------------- | :------------------- |
bert_clean | 使用BertTokenizer 中函数清理句子 |
cleantext_clean | 使用clean-text 清理 (电话号、邮箱、unicode错误等) |
:--------------- | :------------------- |
no_short | 去除过短的句子 |
no_long | 去除过长的句子 |
de_reply_tag | 去除微博中 "回复 @XXX:" |
de_hashtag | 去除句中 "# XXX#" |
de_emotion | 去除句中 ": XXX:" |
de_mention | 去除句子中 "@Cindy", "@Bob:", "@Amy:" 等 |
no_mention | 去除包含 @XXX 的句子 |
de_repost | 去除句中 "//XXX" |
de_duplicated | 句中短语降重 (待用后缀算法优化) |
de_emoji | 去除emoji (代补全) |
no_special_topic | 过滤包含特定名单词的对话对话 |
no_str_blacklist | 过滤包含黑名单词的对话 |
no_toupiao | 判断是否是微博投票 |
no_specific_utter | 删除一些特定句子 |
contain_zh | 删掉不包含中文的句子 |
de_single_repost_mention | 去掉 "@XXX:" |
de_weibo_url | 去除 http:\t.c |
de_url | 去除 url |
de_angle | 去除 其中XX为非中文 |
de_alpha_num | 去除长串无意义的数字字母组合 |
de_specific | 去除句中固定pattern |
:--------------- | :------------------- |
de_showall | 去除某些特定文件中的 "...显示全部" |
de_brackets | 去除某些特定文件中的 "[XXX]" |
:--------------- | :------------------- |
no_word_blacklist | 过滤分此后的黑名单词的对话 |
no_alpha_noise | 过滤掉含有不成 英文单词的 字母组合 的句子 |
check_confuse_word | 保存包含混淆名单词的对话进行recall |
yda_dedupl | 如果一个词语在句子中出现的比例 超过一个阈值则放弃该句子 |