text-pair-similarity-filter

name	text_pair_similarity_filter
description	文本对相似度过滤器。过滤器将文本之间具有相似性的文本对保留在特定范围内。 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 当用户提到文本对相似度过滤、文本对过滤、双文本相似度、文本配对过滤等需求时使用此skill。
name_zh	文本对相似度过滤器算子
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":"text_key_second","type":"string","required":true,"description":"第二个文本字段名"},{"name":"hf_clip","type":"string","required":false,"default":"openai/clip-vit-base-patch32","description":"HuggingFace上的CLIP模型"},{"name":"min_score","type":"float","required":false,"default":0.1,"description":"最小相似度分数"},{"name":"max_score","type":"float","required":false,"default":1,"description":"最大相似度分数"},{"name":"any_or_all","type":"string","required":false,"default":"any","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CLIP模型计算两个文本之间的相似度，过滤相似度在指定范围内的文本对。支持多种过滤策略：

• any: 任意一个文本对符合条件即保留
• all: 所有文本对都符合条件才保留

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)
hf_clip	string	否	'openai/clip-vit-base-patch32'	HuggingFace上的CLIP模型
min_score	float	否	0.1	最小相似度分数
max_score	float	否	1.0	最大相似度分数
text_key_second	string	是	-	第二个文本字段名
any_or_all	string	否	'any'	过滤策略：'any' 或 'all'
num_proc	int	否	1	并行处理的进程数

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，样本需包含两个文本字段：

{"text": "a lovely cat", "target_text": "a cute cat"}

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

python scripts/run_text_pair_similarity_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --text_key_second target_text \
  --min_score 0.85 \
  --max_score 0.99 \
  --any_or_all any

参数说明

• --input_path: 输入文件路径
• --output_path: 输出文件路径
• --hf_clip: CLIP模型（默认：openai/clip-vit-base-patch32）
• --min_score: 最小相似度分数（默认0.1）
• : 最大相似度分数（默认1.0）