LLM-文本標(biāo)準(zhǔn)化（MaxCompute）
LLM-文本標(biāo)準(zhǔn)化組件主要用于大語言模型（LLM）的文本數(shù)據(jù)預(yù)處理工作，可以將文本Unicode標(biāo)準(zhǔn)化以及繁體轉(zhuǎn)簡體。
使用限制
僅支持MaxCompute計(jì)算引擎。
算法簡介
LLM-文本標(biāo)準(zhǔn)化組件支持以下功能：
將Unicode文本標(biāo)準(zhǔn)化，使用NFKC的方式標(biāo)準(zhǔn)化文本。
ftfy.fix_text(text, normalization='NFKC')繁體轉(zhuǎn)成簡體使用opencc包轉(zhuǎn)換。
使用
opencc包轉(zhuǎn)換。
效果如下：
處理前：
處理后：
可視化配置參數(shù)
您可以在Designer中，通過可視化的方式配置組件參數(shù)。
頁簽 | 參數(shù) | 是否必選 | 描述 | 默認(rèn)值 |
字段設(shè)置 | 選擇目標(biāo)處理列 | 是 | 選擇要處理的列，支持選擇多個列。 | 無 |
設(shè)置輸出表生命周期 | 否 | 正整數(shù)，單位為天。默認(rèn)28天，28天后該組件產(chǎn)生的臨時表被回收。 | 28 | |
執(zhí)行調(diào)優(yōu) | 每個實(shí)例的cpu數(shù)目 | 否 | 設(shè)定map task每個instance的CPU數(shù)目，取值范圍為[50,800]。 | 100 |
每個實(shí)例的memory大小，單位M | 否 | 設(shè)定map task每個instance的memory大小，單位為MB，取值范圍為[256,12288]。 | 1024 | |
每個實(shí)例處理的數(shù)據(jù)大小，單位M | 否 | 設(shè)定map task每個instance的最大處理數(shù)據(jù)量，用戶可以通過控制該變量，實(shí)現(xiàn)對map端輸入的控制。單位為MB，取值范圍為[1,Integer.MAX_VALUE]。 | 256 |
相關(guān)文檔
關(guān)于Designer組件更詳細(xì)的內(nèi)容介紹，請參見Designer概述。