Standard Tokenizer

Zilliz Cloud の standard トークナイザーは、連続する Unicode 文字と数字をトークンにまとめ、それ以外の文字で分割します。

トークン化ルール

standard トークナイザーは、以下の集合に属する連続した文字を同じトークンに保持します。

• ASCII 文字: 文字 A-Z と a-z、および数字 0-9。

• 非 ASCII 文字: Unicode の Alphabetic プロパティ、または数字の一般カテゴリである Nd、Nl、No のいずれかに該当する文字。

Unicode のプロパティまたはカテゴリ	意味	トークンに保持される文字の例
Alphabetic	漢字や日本語の仮名を含む、さまざまな書記体系の文字、および一部の結合文字	中文测试, カタカナ
Nd（Decimal_Number）	10 進数字	٣
Nl（Letter_Number）	文字に似た数字文字	Ⅷ
No（Other_Number）	丸数字、上付き文字、分数などのその他の数字文字	①²¾

これらの集合に含まれない文字はトークンを区切り、破棄されます。これには空白、句読点、アンダースコア（_）、ハイフン（-）、アポストロフィ（'）、および +、$、😀 などの記号が含まれます。連続する区切り文字は空のトークンを生成しません。

文字の分類は Rust の char::is_alphanumeric() に従います。プロパティの定義については、Unicode Standard Annex #44 を参照してください。Unicode 17.0 の完全な文字リストは、Alphabetic 用の DerivedCoreProperties.txt と、Nd、Nl、No 用の DerivedGeneralCategory.txt で利用できます。どの文字が該当するかは、デプロイされたバージョンで使用されている Unicode データによって異なります。

以下の例では、フィルターを指定せずに {"tokenizer": "standard"} を使用します。このトークナイザーは文字の大文字と小文字を保持し、連続する中国語のテキストを個々の単語に分割しません。

入力	出力トークン
foo_bar-can't😀123	["foo", "bar", "can", "t", "123"]
中文测试	["中文测试"]
version①.¾	["version①", "¾"]
Hello,World!	["Hello", "World"]

設定

standard トークナイザーを使用するアナライザーを設定するには、analyzer_params で tokenizer を standard に設定します。

Python

python

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

Java

java

import java.util.HashMap;
import java.util.Map;

Map<String, Object> analyzerParams = new HashMap<>();

analyzerParams.put("tokenizer", "standard");

Go

go

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

Rust

rust

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

C++

c++

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

NodeJS

javascript

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

cURL

bash

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

The standard tokenizer can work in conjunction with one or more filters. For example, the following code defines an analyzer that uses the standard tokenizer and lowercase filter:

Python

python

analyzer_params = {
    "tokenizer": "standard",
    "filter": ["lowercase"]
}

Java

java

import java.util.Collections;
import java.util.HashMap;
import java.util.Map;

Map<String, Object> analyzerParams = new HashMap<>();

analyzerParams.put("tokenizer", "standard");

analyzerParams.put("filter", Collections.singletonList("lowercase"));

Go

go

analyzerParams := map[string]any{"tokenizer": "standard", "filter": []any{"lowercase"}}

Rust

rust

let analyzer_params = serde_json::json!({
    "tokenizer": "standard",
    "filter": ["lowercase"]
});

C++

c++

nlohmann::json analyzer_params = {
    {"tokenizer", "standard"},
    {"filter", {"lowercase"}}
};

NodeJS

javascript

const analyzer_params = {
    "tokenizer": "standard",
    "filter": ["lowercase"]
};

cURL

bash

# restful
analyzerParams='{
  "tokenizer": "standard",
  "filter": [
    "lowercase"
  ]
}'

Notes

よりシンプルに設定するには、standard アナライザー を使用することもできます。これは standard トークナイザーと lowercaseフィルター を組み合わせたものです。

analyzer_params を定義したら、コレクションスキーマの定義時に VARCHAR フィールドへ適用できます。これにより、Zilliz Cloud が指定されたアナライザーを使って当該フィールドのテキストを処理し、効率的な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、使用例 を参照してください。

例

アナライザー設定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。

アナライザーの設定

Python

python

analyzer_params = {
    "tokenizer": "standard",
    "filter": ["lowercase"]
}

Java

java

import java.util.Collections;
import java.util.HashMap;
import java.util.Map;

Map<String, Object> analyzerParams = new HashMap<>();

analyzerParams.put("tokenizer", "standard");

analyzerParams.put("filter", Collections.singletonList("lowercase"));

Go

go

analyzerParams := map[string]any{"tokenizer": "standard", "filter": []any{"lowercase"}}

Rust

rust

let analyzer_params = serde_json::json!({
    "tokenizer": "standard",
    "filter": ["lowercase"]
});

C++

c++

nlohmann::json analyzer_params = {
    {"tokenizer", "standard"},
    {"filter", {"lowercase"}}
};

NodeJS

javascript

const analyzer_params = {
    "tokenizer": "standard",
    "filter": ["lowercase"]
};

cURL

bash

# restful

analyzerParams='{
  "tokenizer": "standard",
  "filter": [
    "lowercase"
  ]
}'

run_analyzer を使った検証

Python

python

from pymilvus import (
    MilvusClient,
)

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

# Sample text to analyze
sample_text = "The Milvus vector database is built for scale!"

# Run the standard analyzer with the defined configuration
result = client.run_analyzer(sample_text, analyzer_params)
print("Standard 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;
import java.util.ArrayList;
import java.util.List;

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("The Milvus vector database is built for scale!");

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"
)

ctx := context.Background()

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{"The Milvus vector database is built for scale!"}

option := milvusclient.NewRunAnalyzerOption(texts...).

    WithAnalyzerParams(analyzerParams)

result, err := client.RunAnalyzer(ctx, option)

if err != nil {
    fmt.Println(err.Error())

    // handle error
}

fmt.Println(result)

Rust

rust

use milvus::v2::prelude::*;

let config = ConnectConfig::new().uri("YOUR_CLUSTER_ENDPOINT").token("YOUR_CLUSTER_TOKEN");

let client = ClientV2::new(&config).await?;

let sample_text = "The Milvus vector database is built for scale!";

let result = client

    .run_analyzer(

        RunAnalyzerRequest::builder()

            .texts(vec![sample_text])

            .analyzer_params(analyzer_params)

            .build()?,
    )

    .await?;

println!("Standard analyzer output: {:?}", result);

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 = "The Milvus vector database is built for scale!";
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

import { MilvusClient } from "@zilliz/milvus2-sdk-node";

const client = new MilvusClient({ address: "YOUR_CLUSTER_ENDPOINT", token: "YOUR_CLUSTER_TOKEN" });

const sampleText = "The Milvus vector database is built for scale!";

const result = await client.runAnalyzer({
    text: sampleText,
    analyzer_params,
});

console.log("Standard analyzer output:", result);

cURL

bash

export CLUSTER_ENDPOINT="YOUR_CLUSTER_ENDPOINT"

export TOKEN="YOUR_CLUSTER_TOKEN"

curl --request POST \

--url "${CLUSTER_ENDPOINT}/v2/vectordb/common/run_analyzer" \

--header "Authorization: Bearer ${TOKEN}" \

--header "Content-Type: application/json" \

--header "Request-Timeout: 10" \

-d '{
    "text": ["The Milvus vector database is built for scale!"],
    "analyzerParams": "{\"tokenizer\": \"standard\", \"filter\": [\"lowercase\"]}"
}'

期待される出力

sql

['the', 'milvus', 'vector', 'database', 'is', 'built', 'for', 'scale']