预训练语料的清洗决定模型的上限,而这门手艺没有神奇的单一算法——它是一条流水线:语言识别、启发式过滤、精确去重、模糊去重、质量分级。这篇文章实现每一级的核心算法,并指出各级的失效模式与调参依据。
一、启发式过滤:规则快而糙,适合当第一道闸
第一级用规则把明显垃圾筛掉,每条规则对应一类可命名的垃圾:
import re
from collections import Counter
HEURISTICS = [
("too_short", lambda d: len(d) < 200),
("symbol_ratio", lambda d: sum(not c.isalnum() and not c.isspace()
for c in d) / len(d) > 0.3),
("alpha_ratio", lambda d: sum(c.isalpha() for c in d) /
max(len(d), 1) < 0.6),
("line_bullets", lambda d: len(re.findall(r"^\s*[•▪●—]\s", d, re.M)) >
max(10, 0.3 * d.count("\n"))),
("repeat_ngram", None), # 见下方独立检查
("word_elong", lambda d: len(re.findall(r"\b\w*(\w)\1{4,}\w*\b", d)) > 5),
]
def heuristic_filter(doc):
for name, fn in HEURISTICS:
if fn and fn(doc):
return name
# 重复 n-gram 检查: 段落级复读检测
paras = [p for p in doc.split("\n") if len(p) > 20]
c = Counter(paras)
if c and c.most_common(1)[0][1] >= 3:
return "repeat_para"
return None
设计原则:规则要能被数据反证。每条规则上线前,抽样 100 个被判杀的文档人工看一遍——"杀对率"低于 95% 就该收紧条件;同时记录每条规则的命中率,命中率异常地高(比如某条规则杀了 30% 的语料)通常意味着规则写错了而不是语料烂。这个人工抽检环节是启发式清洗的唯一质量保障,跳过它的团队会在几个月后发现语料里还躺着成吨的垃圾而不知是哪条规则失守。
二、精确与模糊去重:从哈希到 MinHash
去重分两级。精确级用全文哈希(sha1)——零误杀、便宜,先杀掉完全相同的副本。模糊级才是主战场:网络语料里大量"改了几个字的转载""模板化页面",需要近似匹配。MinHash 的思路:把文档表示成 n-gram 集合,用 k 个哈希函数各取集合的最小哈希值,两个文档的 MinHash 签名相似度无偏估计它们的 Jaccard 相似度:
from datasketch import MinHash, MinHashLSH
def minhash_sig(text, num_perm=128, k=13):
shingles = {
text[i:i+k] for i in range(len(text) - k + 1)}
m = MinHash(num_perm=num_perm)
for s in shingles:
m.update(s.encode("utf8"))
return m
def fuzzy_dedup(docs, threshold=0.8):
lsh = MinHashLSH(threshold=threshold, num_perm=128)
keep = []
for did, text in enumerate(docs):
sig = minhash_sig(text)
if lsh.query(sig): # 与已有文档近似 => 丢弃
continue
lsh.insert(did, sig)
keep.append(did)
return keep
实现要点:k(n-gram 长度)控制灵敏度——k 太小会把巧合的常见短语当重复,k 太大漏掉拼接式抄袭,13 字节窗口是常见取值;LSH 带宽参数(MinHashLSH 内部按签名前 b 段分桶)控制查全与查全的权衡,threshold 给定后自动算出;顺序效应——LSH 流式去重时"保留谁"取决于处理顺序,按长度或质量分排序处理(先处理高质量文档)能让保留集偏向优质版本。训练与测试集的交叉污染是去重的另一个隐蔽动机:评估集若在训练语料里有近似副本,基准分数全靠背题——这是去重必须做到评估语料的原因。
三、质量分级:从二分类到基于模型的打分
启发式只能杀垃圾,区分"平庸"与"优质"需要模型。主流做法两级:分类器级——用人工标注的正负样例(如精选文集作正例、随机网页作负例)训练一个小型 fastText,给全语料打分后按分位数截取;困惑度级——用一个小语言模型给文档打困惑度,异常高(乱码)与异常低(模板化复读)都标记。分级实现的真正难点在标注对的构建:正负例的分布差异要对应"质量"这个目标而不是"来源"这个代理——用维基百科当正例训出的分类器学到的可能是"维基语体"而非"高质量",于是论坛里的干货被杀、营销号的维基腔通过。缓解办法是把正例扩展到多体裁的精选集,并保留一个"人工抽检留出集"贯穿整个流水线。
四、流水线的组装与审计
各环节的顺序与守恒核算同样重要:语言识别 → 精确去重 → 启发式过滤 → 模糊去重 → 质量分级,每级记录输入/输出文档数与字节量——各级的存活率本身就是最重要的监控指标:某级存活率骤降说明规则或阈值出了问题,总量守恒对不上说明管线有静默丢数据的 bug。最终语料按质量分位数分层保存(高质量层可重复采样),这是后续训练配方的一部分。一个诚实的收尾:语料清洗的投资回报极不均匀——精确去重与基础启发式消灭的是 80% 的灾难,它们便宜且必做;质量分级打磨的是最后 10% 的质量,昂贵且边际递减。预算有限时,把精力砸在前者,后者做到"分类器 + 一次人工校准"就该收手——清洗的完美主义是预训练里最昂贵的陷阱之一。