Platform for AI (PAI) のLLM-Clean Special Content (DLC) コンポーネントは、テキストからURLを削除し、HTML形式の文字を削除し、HTMLテキストを解析するために使用されます。 入力Object Storage Service (OSS) データファイルは、JSONライン形式であり、次の要件を満たす必要があります。ファイルの各行は有効なJSONオブジェクトであり、ファイルは複数行のJSONオブジェクトで構成されますが、ファイルは有効なJSONオブジェクトではありません。 詳細については、「例」をご参照ください。
サポートされるコンピューティングリソース
アルゴリズムの説明
LLM-Clean Special Content (DLC) コンポーネントは、テキストに対して次の操作を実行します。
URLの削除
r'(https?| http)?:\/\/[\w\.\\?\=\&\%\-\_]+ 'に一致する文字をテキストから削除します。HTML形式の文字を削除し、HTMLテキストを解析する
テキストに対して次の操作を実行します。
'<li>'を'\n *'に置き換え、'<ol>'を'\n *'に置き換え、'</li>'と'</ol>'の文字を削除し、HTMLテキストを解析して結果を返します。
テキストからURLを削除する例:
処理前
| 処理後
|
コンポーネントの設定
Machine Learning Designerのパイプラインページで、LLM-Clean Special Content (DLC) コンポーネントのパラメーターを設定します。
タブ | パラメーター | 必須 | 説明 | デフォルト値 | |
フィールドの設定 | Target Processフィールド | 必須 | 処理するフィールドの名前。 | 非該当 | |
URLリンクを削除するかどうか | 選択可能 | テキストからURLを削除するかどうかを指定します。 | 選択済み | ||
html形式の文字を削除してhtmlテキストを解析するかどうか | 選択可能 | HTML形式の文字を削除してHTMLテキストを解析するかどうかを指定します。 | 未選択 | ||
OutputDataを保存するためのOSSディレクトリ | 選択可能 | 生成されたデータが保存されるOSSディレクトリ。 このパラメーターを指定しない場合、ワークスペースのデフォルトパスが使用されます。 | 非該当 | ||
チューニング | プロセス数 | 選択可能 | プロセスの数。 | 8 | |
リソースグループの選択 | パブリックリソースグループ | 選択可能 | 使用するインスタンスタイプ (CPUまたはGPU) 、インスタンス数、および仮想プライベートクラウド (VPC) 。 | 非該当 | |
専用リソースグループ | 選択可能 | 使用するvCPU、メモリ、共有メモリの数、GPUの数、およびインスタンスの数。 | 非該当 | ||
最大実行時間 | 選択可能 | コンポーネントを実行できる最大期間。 この時間を超えると、ジョブは終了します。 | 非該当 | ||