タイ語

thai トークナイザーは、スペースに依存せずにタイ語のテキストを単語トークンに分割します。タイ語、またはタイ語/English が混在するテキスト用のカスタムアナライザーパイプラインを構築する必要がある場合に、このトークナイザーを使用します。

設定

Notes

タイ語のテキストには、ほとんどの場合、組み込みの thai アナライザーを使用してください。組み込みアナライザーには、このトークナイザーに加えて、小文字化、10 進数字の正規化、タイ語のストップワード削除が含まれています。thai トークナイザーを直接使用するのは、カスタムアナライザーパイプラインを構築する必要がある場合だけです。詳細は、タイ語アナライザー を参照してください。

thai 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 thai に設定します。

Python

python

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

Java

java

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

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

Go

go

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

Rust

rust

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

C++

c++

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

NodeJS

javascript

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

CSharp

csharp

using System.Collections.Generic;

Dictionary<string, object> analyzerParams = new()
{
    ["tokenizer"] = "thai"
};

cURL

bash

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

thai トークナイザーには、設定可能なパラメーターはありません。

このトークナイザーは、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、次の設定では、thai トークナイザーと lowercase および decimaldigit フィルターを使用します。

Python

python

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

Java

java

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

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", "thai");
analyzerParams.put("filter", Arrays.asList("lowercase", "decimaldigit"));

Go

go

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

Rust

rust

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

C++

c++

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

NodeJS

javascript

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

CSharp

csharp

using System.Collections.Generic;

Dictionary<string, object> analyzerParams = new()
{
    ["tokenizer"] = "thai",
    ["filter"] = new List<object> { "lowercase", "decimaldigit" }
};

cURL

bash

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

このカスタムパイプラインは、組み込みの _thai_ ストップワード辞書を含まないため、組み込みの thai アナライザーと同等ではありません。完全な定義済みパイプラインを使用するには、{"type": "thai"} を使用します。

このトークナイザーは、次のように動作します。

• タイ語の分割: 空白に依存せずに、タイ語のテキストを単語トークンに分割します。

• 空白と句読点のフィルタリング: 空白および句読点のみのセグメントを除外します。これは、句読点とスペースをトークンとして保持できる icu トークナイザーとは異なります。

• 混在スクリプトのテキスト: タイ語/English が混在するテキストから、ラテン文字の単語トークンを出力します。

• トークナイザーのみ: トークンの小文字化、Unicode 数字の正規化、ストップワードの削除は行いません。これらの処理には、フィルターを追加するか、組み込みの thai アナライザーを使用してください。

• 位置のセマンティクス: スキップされた空白と句読点を含む文字ベースのトークン位置を使用します。これにより、フレーズマッチングと近接マッチングの動作が他の非ラテン系トークナイザーと一貫します。

analyzer_params を定義した後、コレクションスキーマを定義するときに、アナライザーを VARCHAR フィールドに適用できます。詳細は、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。

アナライザー設定

Python

python

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

Java

java

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

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

Go

go

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

Rust

rust

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

C++

c++

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

NodeJS

javascript

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

CSharp

csharp

using System.Collections.Generic;

Dictionary<string, object> analyzerParams = new()
{
    ["tokenizer"] = "thai"
};

cURL

bash

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

run_analyzer を使用した確認

Python

python

from pymilvus import MilvusClient

client = MilvusClient(uri="YOUR_CLUSTER_ENDPOINT")

sample_text = "สวัสดี! ทดสอบ, ระบบ Milvus ๑๒๓"

result = client.run_analyzer(sample_text, analyzer_params)
print(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("สวัสดี! ทดสอบ, ระบบ Milvus ๑๒๓");

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

Go

go

import (
    "context"
    "encoding/json"
    "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
}

bs, _ := json.Marshal(analyzerParams)
texts := []string{"สวัสดี! ทดสอบ, ระบบ Milvus ๑๒๓"}
option := milvusclient.NewRunAnalyzerOption(texts...).
    WithAnalyzerParamsStr(string(bs))

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

Rust

rust

use milvus::v2::error::Result;
use milvus::v2::prelude::*;

let config = ConnectConfig::new().uri("YOUR_CLUSTER_ENDPOINT").token("YOUR_CLUSTER_TOKEN");
let client = ClientV2::new(&config).await?;

let texts = ["สวัสดี! ทดสอบ, ระบบ Milvus ๑๒๓".to_string()];
let analyzer_params = serde_json::json!({
    "tokenizer": "thai"
});

let result = client.run_analyzer(
    RunAnalyzerRequest::builder()
        .texts(texts)
        .analyzer_params(analyzer_params)
        .build()?,
).await?;

println!("{:?}", result.results());

C++

c++

#include "milvus/MilvusClientV2.h"
#include <iostream>
#include <string>

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 = "สวัสดี! ทดสอบ, ระบบ Milvus ๑๒๓";
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 res = await client.runAnalyzer({
    text: 'สวัสดี! ทดสอบ, ระบบ Milvus ๑๒๓',
    analyzer_params: analyzer_params
});

console.log(res);

CSharp

csharp

using Milvus.Client.V2;
using Milvus.Client.V2.Requests.Utility;
using Milvus.Client.V2.Responses.Utility;
using Milvus.Client.V2.Types;

MilvusClientV2 client = new(new ConnectConfig
{
    Uri = "YOUR_CLUSTER_ENDPOINT",
    Username = "root",
    Password = "Milvus"
});

string sampleText = "สวัสดี! ทดสอบ, ระบบ Milvus ๑๒๓";

RunAnalyzerResp result = await client.RunAnalyzerAsync(new RunAnalyzerReq
{
    AnalyzerParams = analyzerParams,
    Texts = [sampleText]
});

foreach (AnalyzerToken t in result.Results.SelectMany(r => r.Tokens))
{
    Console.WriteLine(t.Token);
}

cURL

bash

# restful
curl --request POST \
  --url "${CLUSTER_ENDPOINT}/v2/vectordb/common/run_analyzer" \
  --header "Authorization: Bearer ${TOKEN}" \
  --header "Content-Type: application/json" \
  --data '{
    "text": ["สวัสดี! ทดสอบ, ระบบ Milvus ๑๒๓"],
    "analyzerParams": "{\"tokenizer\":\"thai\"}"
  }'

期待される出力

plaintext

['สวัสดี', 'ทดสอบ', 'ระบบ', 'Milvus', '๑๒๓']