ICU

icu トークナイザーは、ソフトウェアの国際化のための主要なツールを提供する Internationalization Components of Unicode（ICU）オープンソースプロジェクトに基づいて構築されています。ICU の word-break アルゴリズムを使用することで、トークナイザーは世界の大多数の言語にわたってテキストを正確に単語に分割できます。

Notes

icu トークナイザーは、出力内で句読点とスペースを個別のトークンとして保持します。たとえば、"Привет! Как дела?" は ["Привет", "!", " ", "Как", " ", "дела", "?"] になります。これらの単独の句読点トークンを削除するには、removepunct フィルターを使用します。

構成

icu トークナイザーを使用してアナライザーを構成するには、analyzer_params で tokenizer を icu に設定します。

Python

python

analyzer_params = {
    "tokenizer": "icu",
}

Java

java

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", "icu");

Go

go

analyzerParams = map[string]any{"tokenizer": "icu"}

Rust

rust

use milvus::v2::prelude::*;
use serde_json::json;

let analyzer_params = json!({ "tokenizer": "icu" });

C++

c++

nlohmann::json analyzer_params = {
    {"tokenizer", "icu"}
};

NodeJS

javascript

const analyzer_params = {
    tokenizer: "icu",
};

cURL

bash

# restful
analyzerParams='{
  "tokenizer": "icu"
}'

icu トークナイザーは、1 つ以上のフィルターと組み合わせて使用できます。たとえば、次のコードは icu トークナイザーと remove punct filter を使用するアナライザーを定義します。

Python

python

analyzer_params = {
    "tokenizer": "icu",
    "filter": ["removepunct"]
}

Java

java

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", "icu");
analyzerParams.put("filter", Collections.singletonList("removepunct"));

Go

go

analyzerParams = map[string]any{"tokenizer": "icu", "filter": []string{"removepunct"}}

Rust

rust

use milvus::v2::prelude::*;
use serde_json::json;

let analyzer_params = json!({
    "tokenizer": "icu",
    "filter": ["removepunct"]
});

C++

c++

nlohmann::json analyzer_params = {
    {"tokenizer", "icu"},
    {"filter", {"removepunct"}}
};

NodeJS

javascript

const analyzer_params = {
    tokenizer: "icu",
    filter: ["removepunct"],
};

cURL

bash

# restful
analyzerParams='{
  "tokenizer": "icu",
  "filter": ["removepunct"]
}'

analyzer_params を定義したら、コレクションスキーマを定義するときにそれを VARCHAR フィールドに適用できます。これにより、Zilliz Cloud は指定されたアナライザーを使用してそのフィールドのテキストを処理し、効率的にトークン化とフィルタリングを行えます。詳細については、Example use を参照してください。

例

アナライザーの構成をコレクションスキーマに適用する前に、run_analyzer メソッドを使用してその動作を確認してください。

アナライザーの構成

Python

python

analyzer_params = {
    "tokenizer": "icu",
}

Java

java

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", "icu");

Go

go

analyzerParams = map[string]any{"tokenizer": "icu"}

Rust

rust

use milvus::v2::prelude::*;
use serde_json::json;

let analyzer_params = json!({ "tokenizer": "icu" });

C++

c++

nlohmann::json analyzer_params = {
    {"tokenizer", "icu"}
};

NodeJS

javascript

const analyzer_params = {
    tokenizer: "icu",
};

cURL

bash

# restful
analyzerParams='{
  "tokenizer": "icu"
}'

run_analyzer を使用した確認

Python

python

from pymilvus import (
    MilvusClient,
)

client = MilvusClient(
    uri="YOUR_CLUSTER_ENDPOINT",
    token="YOUR_CLUSTER_TOKEN"
)

# Sample text to analyze
sample_text = "Привет! Как дела?"

# Run the icu analyzer with the defined configuration
result = client.run_analyzer(sample_text, analyzer_params)
print("ICU analyzer output:", result)

Java

java

import io.milvus.v2.client.ConnectConfig;
import io.milvus.v2.client.MilvusClientV2;
import io.milvus.v2.service.vector.request.RunAnalyzerReq;
import io.milvus.v2.service.vector.response.RunAnalyzerResp;

ConnectConfig config = ConnectConfig.builder()
        .uri("YOUR_CLUSTER_ENDPOINT")
        .token("YOUR_CLUSTER_TOKEN")
        .build();
MilvusClientV2 client = new MilvusClientV2(config);

List<String> texts = new ArrayList<>();
texts.add("Привет! Как дела?");

RunAnalyzerResp resp = client.runAnalyzer(RunAnalyzerReq.builder()
        .texts(texts)
        .analyzerParams(analyzerParams)
        .build());
List<RunAnalyzerResp.AnalyzerResult> results = resp.getResults();

Go

go

import (
    "context"
    "fmt"

    "github.com/milvus-io/milvus/client/v3/milvusclient"
)

client, err := milvusclient.New(ctx, &milvusclient.ClientConfig{
    Address: "YOUR_CLUSTER_ENDPOINT",
    APIKey:  "YOUR_CLUSTER_TOKEN",
})
if err != nil {
    fmt.Println(err.Error())
    // handle error
}

texts := []string{"Привет! Как дела?"}
option := milvusclient.NewRunAnalyzerOption(texts...).
    WithAnalyzerParams(analyzerParams)

result, err := client.RunAnalyzer(ctx, option)
if err != nil {
    fmt.Println(err.Error())
    // handle error
}

Rust

rust

use milvus::v2::prelude::*;
use serde_json::json;

let analyzer_params = json!({ "tokenizer": "icu" });
let result = client
    .run_analyzer(
        RunAnalyzerRequest::builder()
            .texts(vec!["Привет! Как дела?"])
            .analyzer_params(analyzer_params)
            .build()?,
    )
    .await?;

C++

c++

#include "milvus/MilvusClientV2.h"

auto client = milvus::MilvusClientV2::Create();

milvus::ConnectParam connect_param{"YOUR_CLUSTER_ENDPOINT", "YOUR_CLUSTER_TOKEN"};
auto status = client->Connect(connect_param);
if (!status.IsOk()) {
    std::cout << status.Message() << std::endl;
}

std::string text = "Привет! Как дела?";
auto request = milvus::RunAnalyzerRequest()
                       .AddText(text)
                       .WithAnalyzerParams(analyzer_params);

milvus::RunAnalyzerResponse response;
status = client->RunAnalyzer(request, response);
if (!status.IsOk()) {
    std::cout << status.Message() << std::endl;
}

NodeJS

javascript

const sample_text = "Привет! Как дела?";

// Run the icu analyzer with the defined configuration
const result = await client.runAnalyzer({
    text: sample_text,
    analyzer_params,
});
console.log("ICU analyzer output:", result);

cURL

bash

# restful
curl --request POST \
     --url "YOUR_CLUSTER_ENDPOINT/v2/vectordb/common/run_analyzer" \
     --header "Authorization: Bearer YOUR_CLUSTER_TOKEN" \
     --header "Content-Type: application/json" \
     -d '{
        "text": ["Привет! Как дела?"],
        "analyzerParams": "{\"tokenizer\": \"icu\"}"
     }'

期待される出力

plaintext

['Привет', '!', ' ', 'Как', ' ', 'дела', '?']