首页
/ Datatrove项目中Minhash去重实现差异分析

Datatrove项目中Minhash去重实现差异分析

2025-07-02 17:47:19作者:裘旻烁

背景介绍

在数据预处理领域,去重是一个关键步骤。Datatrove作为Hugging Face生态系统中的一个数据处理工具,提供了基于Minhash算法的去重功能。本文探讨了Datatrove与其他实现(如Spark版本)在去重效果上的差异问题。

问题现象

用户在使用Datatrove对StackMathQA数据集进行Minhash去重时发现,与基于Spark的实现相比,Datatrove的去重率明显较低。具体表现为:

  • Spark实现去除了88%的原始内容
  • Datatrove仅去除了60%的内容

参数配置分析

两种实现使用了相同的核心参数配置:

  • n-gram大小:5
  • 桶数量(r):60
  • 每个桶的哈希数量(b):13

理论上,这种配置下两个实现应该产生相似的去重效果,但实际结果差异显著。

技术实现对比

Datatrove实现特点

  1. 采用四阶段处理流程:

    • 计算Minhash签名
    • 按桶匹配签名
    • 创建重复簇
    • 过滤重复文档
  2. 使用Union Set算法进行簇合并,该算法简单可靠且经过充分测试

  3. 文档处理包含额外元数据字段,如文件路径等

Spark实现特点

  1. 基于GraphFrame进行文档相似性分析

  2. 使用不同的ngram生成逻辑(特别是min_length参数处理)

  3. 输出格式更简洁,不含额外元数据

差异原因探究

  1. 文档计数方式差异:文件大小比较可能不准确,因Datatrove输出包含额外元数据

  2. ngram生成逻辑:Spark实现中的min_length参数可能导致ngram生成方式不同

  3. GraphFrame潜在问题:测试发现Spark无法从Datatrove的去重结果中找到更多重复,暗示GraphFrame实现可能存在隐藏问题

  4. 保留文档选择:不同实现在簇中选择保留哪个文档的机制不同,但不应导致如此大的差异

验证建议

  1. 使用文档计数而非文件大小比较去重率

  2. 对两种实现的去重结果互相验证:

    • 检查Spark是否能从Datatrove结果中找到更多重复
    • 检查Datatrove是否能从Spark结果中找到更多重复
  3. 统一ngram生成逻辑进行对比测试

结论

经过分析,Datatrove的Minhash实现是正确的,差异更可能源于Spark实现的潜在问题或比较方法的不一致。对于关键任务的数据去重工作,建议:

  1. 优先使用经过充分验证的实现如Datatrove

  2. 采用文档计数等更精确的比较方法

  3. 必要时进行交叉验证以确保去重质量

数据去重是数据预处理中的关键步骤,理解不同实现的细微差异对于确保数据质量至关重要。通过本文的分析,开发者可以更明智地选择和使用合适的去重工具。

登录后查看全文
热门项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
163
2.05 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
199
279
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
951
557
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
96
15
apintoapinto
基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
77
70
giteagitea
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0