Datatrove项目中Minhash去重实现差异分析
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
-
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
-
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
-
文档处理包含额外元数据字段,如文件路径等
Spark实现特点
-
基于GraphFrame进行文档相似性分析
-
使用不同的ngram生成逻辑(特别是min_length参数处理)
-
输出格式更简洁,不含额外元数据
差异原因探究
-
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
-
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
-
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
-
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
-
使用文档计数而非文件大小比较去重率
-
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
-
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:
-
优先使用经过充分验证的实现如Datatrove
-
采用文档计数等更精确的比较方法
-
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。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCR暂无简介Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13BFLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile013
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00