本项目为一个清洗对话数据的多线程框架,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。
--clean: 清洗框架主目录
---rules: 存放各级别的规则函数
---tool_data: 存放黑名单词典,每行一个词
---run_dist.py: 主运行文件,构造dataloader, 加载黑名单
---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数据
---run.sh: 使用我挑选的几个规则来运行run_dist.py
bash run.sh
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: 改动某规则的时候注意是否影响到其他规则
--n_p" # 多线程使用的线程数
--batch_size" # 单个处理文件的session数
--tool_dir # 黑名单文件所在目录
--out_dir # 过滤后文件输出的目录
--raw_dir # 待处理文件所在的目录
# 清洗规则
# 基于原始字符串
--split_multi_repost # "一起来吗?@Cindy //@Bob: 算我一个//@Amy: 今晚开派对吗?" 按 "//"分割为多句
--utterance_dedup # 如果 context == response 则去掉该对话
--no_name # 对话中的人名用 <NAME1>, <NAME2> ...代替
--split_multi_repost # 将如下单句子拆成多个回复,与context一起构成多个对话:"一起来吗?@Cindy //@Bob: 算我一个//@Amy:今晚开派对吗?"
--de_ad # 去除可能是广告的对话(同样的回复对应多个context, 借鉴 https://www.aclweb.org/anthology/D13-1096.pdf)
--de_generic_dialog # 去除通用回复,借鉴 https://arxiv.org/abs/1911.00536
--no_reply_tag # 去除 "回复 @Devid: 我会准时到的" 中的 "回复 @Devid:"
--no_hashtag # 去除 "# 感恩节# 感谢给予自己生命,养育我们长大的父母" 中的 "# 感恩节#"
--no_emotion # 去除 ": xxx: 感谢给予自己生命" 中的 ": xxx:"
--no_mention # 去除 "一起来吗?@Cindy //@Bob: 算我一个//@Amy: 今晚开派对吗?" 中的 "@Cindy", "@Bob:", "@Amy:"
--no_repost # 去除"一起来吗?@Cindy //@Bob: 算我一个//@Amy: 今晚开派对吗?" 中的 "//@Bob: 算我一个//@Amy: 今晚开派对吗?"
--no_brackets # 去除中括号中的内容: "[XXX] 今晚月色真美"
--no_duplicated # 降重 "老师,您好您好您好您好您好您好" 为 "老师, 您好您好您好"
--no_emoji # 去除emoji表情
--no_short # 去除过短的句子
--no_long # 去除过长的句子
--no_special_topic # 去除带有 特殊话题的句子,如医疗名词、金融名词
--bert_clean # 使用 BertTokenizer中文中的清理函数清理句子
--use_cleantext_lib # 使用clean-text库来去除掉句子中的电话号、邮箱、unicode错误等
--no_str_blacklist # 过滤掉句子中含有该黑名单中词的句子
# 基于分词后的 word list
--no_word_blacklist # 过滤掉 分词后的句子中含有的词在 该黑名单中的句子
--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 # 给定一个黑名单,看看包含这些词的句子是否是噪音
--yda_dedupl # 使用我设计的一个函数过滤该句子: 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