LLM-計數過濾組件主要用於大語言模型（LLM）的文本資料預先處理工作，根據字母、數字、分隔字元的個數過濾樣本。
使用限制
僅支援MaxCompute計算引擎。
演算法簡介
LLM-計數過濾組件支援以下功能：
根據數字字元個數或比例過濾
統計文本中的數字字元的個數，根據閾值過濾樣本。或者根據字元個數佔總文本長度的比例過濾樣本。 如果指定文本分隔字元，則根據分隔字元拆分文本，並以單詞為單位進行統計。
根據字母字元個數或比例過濾
統計文本中的字母字元的個數，根據閾值過濾樣本。或者根據字元個數佔總文本長度的比例過濾樣本。 如果指定文本分隔字元，則根據分隔字元拆分文本，並以單詞為單位進行統計。
根據數字和字母字元個數或比例過濾
統計文本中是數字或者字母的字元個數，根據閾值過濾樣本。或者根據字元個數佔總文本長度的比例過濾樣本。 如果指定文本分隔字元，則根據分隔字元拆分文本，並以單詞為單位進行統計。
根據字母字元占文本token比例過濾
統計文本中所有字母字元的個數，並使用pythia-6.9b-deduped模型將文本切分為token，計算字母字元和token個數的比值。根據比值過濾樣本。
根據分隔字元個數過濾
統計文本中的分隔字元個數，根據閾值過濾樣本。
可視化配置參數
您可以在Designer中，通過可視化的方式配置組件參數。
頁簽 | 參數 | 是否必選 | 描述 | 預設值 |
欄位設定 | 選擇目標處理列 | 是 | 選擇要處理的列，支援選擇多個列。 | 無 |
文本分隔字元 | 否 | 預設空格，以空格分隔文本。根據分隔字元將文本拆分成單字清單，以單詞為單位統計是否為數字或者字母。 如果置空，則不做拆分，以字元為單位進行統計。分隔字元需用半形雙引號（""）括起來。 | 預設空格。 | |
是否根據數字字元個數或比例過濾 | 否 |
| 無 | |
是否根據字母字元個數或比例過濾 | 否 |
| 無 | |
是否根據數字和字母字元個數或比例過濾 | 否 |
| 無 | |
是否根據字母字元占文本token比例過濾 | 否 |
| 無 | |
是否根據分隔字元個數過濾 | 否 |
| 無 | |
設定輸出表生命週期 | 否 | 正整數，單位為天。預設28天，28天后該組件產生的暫存資料表被回收。 | 28 | |
執行調優 | 每個執行個體的cpu數目 | 否 | 設定map task每個instance的CPU數目，取值範圍為[50,800]。 | 100 |
每個執行個體的memory大小，單位M | 否 | 設定map task每個instance的memory大小，單位為MB，取值範圍為[256,12288]。 | 1024 | |
每個執行個體處理的資料大小，單位M | 否 | 設定map task每個instance的最大處理資料量，使用者可以通過控制該變數，實現對map端輸入的控制。單位為MB，取值範圍為[1,Integer.MAX_VALUE]。 | 256 |
相關文檔
關於Designer組件更詳細的內容介紹，請參見Designer概述。