训练目标、数据分组与泄漏：练习答案

参考实现

独立运行，规范化仅演示大小写和标点，不代表完备近重复检测：

import re
def canonical(text):
    return re.sub(r'\W+', '', text.lower())
train = ['refund failed','cannot log in']
test = ['Refund failed!','invoice missing']
leaks = {canonical(x) for x in train} & {canonical(x) for x in test}
assert leaks == {'refundfailed'}

客户分组和内容重复是两个维度，应同时检查；语义近重复还需要相似度和人工复核，不能仅靠这个正则。

返回题目。