知识卡片
去重前先定义比较单位和相似标准
整篇重复、段落重复、跨文档引用和语义改写是不同问题。先定义去重单位、阈值与应保留的变体,再选精确哈希、近似匹配或语义检索。过度去重可能删除有意义差异,过弱去重可能扭曲分布和浪费资源。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 数据集工程
原书出处 · 1 处
- · 查看原书依据
何种内容被视为重复取决于具体的定义。例如,你希望处理文档级别、段落级别、句子级别还是token级别的重复?两段文本必须完全一致才算重复,还是重叠度达80%即可判定为重复?如果两个列表包含相同的项目但顺序不同,它们是否被视作重复?
参考来源
- 位置:《AI工程:大模型应用开发实战》第8章《数据集工程》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section016.xhtml)
- 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。
- 原始内容:何种内容被视为重复取决于具体的定义。例如,你希望处理文档级别、段落级别、句子级别还是token级别的重复?两段文本必须完全一致才算重复,还是重叠度达80%即可判定为重复?如果两个列表包含相同的项目但顺序不同,它们是否被视作重复?