text-entity-dependency-filter

name	text_entity_dependency_filter
description	文本实体依赖过滤器。识别文本中与其他令牌独立的实体，并对其进行过滤。 本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用以下指令进行安装： pip install py-data-juicer 当用户提到实体依赖过滤、文本实体检测、依存关系过滤、实体独立性过滤等需求时使用此skill。
name_zh	文本实体依赖过滤器算子
input_params	[{"name":"input_path","type":"string","required":true,"description":"输入数据文件路径 (JSON/JSONL格式)"},{"name":"output_path","type":"string","required":true,"description":"输出数据文件路径 (JSONL格式)"},{"name":"lang","type":"string","required":false,"default":"en","description":"语言代码（en 或 zh）"},{"name":"min_dependency_num","type":"int","required":false,"default":1,"description":"最小依赖边数"},{"name":"any_or_all","type":"string","required":false,"default":"all","description":"过滤策略（any 或 all）"},{"name":"num_proc","type":"int","required":false,"default":1,"description":"并行处理的进程数"},{"name":"text_key","type":"string","required":false,"default":"text","description":"要操作的文本字段名"}]
output_params	[{"name":"output_path","type":"jsonl_file","description":"过滤后的JSONL格式数据文件"}]
tag	数据筛选
publisher	COMMUNITY

功能概述

该算子使用 spaCy 模型识别文本中的实体及其依赖关系，过滤保留具有依赖关系的实体（不孤立的实体）。支持多种过滤策略：

• any: 任意一个实体符合条件即保留
• all: 所有实体都符合条件才保留

核心参数

参数	类型	必填	默认值	说明
input_path	string	是	-	输入数据文件路径 (JSON/JSONL格式)
output_path	string	是	-	输出数据文件路径 (JSONL格式)
lang	string	否	'en'	语言代码：'en' 或 'zh'
min_dependency_num	int	否	1	最小依赖边数
any_or_all	string	否	'all'	过滤策略：'any' 或 'all'
num_proc	int	否	1	并行处理的进程数
text_key	string	否	text	要操作的文本字段名

输入数据格式

输入文件应为 JSON 或 JSONL 格式，每行包含一个样本，样本需包含 text_key 指定的字段（默认 text）：

{"<text_key>": "Tom is playing piano."}

输出数据格式

输出为 JSONL 格式，每行一个符合条件的样本。

使用示例

命令行调用

# 英语实体依赖过滤
python scripts/run_text_entity_dependency_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang en \
  --any_or_all any

# 中文实体依赖过滤
python scripts/run_text_entity_dependency_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --lang zh \
  --min_dependency_num 1 \
  --any_or_all all

参数说明

• --input_path: 输入文件路径
• --output_path: 输出文件路径
• --lang: 语言代码（默认 en，仅支持 en 和 zh）
• --min_dependency_num: 最小依赖边数（默认1）
• --any_or_all: 过滤策略（默认 all）