Tokenizzatore standard

Il tokenizzatore " standard " di Milvus raggruppa le lettere Unicode e i caratteri numerici consecutivi in token, effettuando la suddivisione in presenza di altri caratteri.

Regole di tokenizzazione

Il tokenizzatore standard mantiene nello stesso token i caratteri consecutivi appartenenti ai seguenti insiemi:

• Caratteri ASCII: lettere A-Z e a-z, e cifre 0-9.
• Caratteri non ASCII: caratteri con la proprietà Unicode Alphabetic o una delle categorie generali numeriche Nd, Nl o No.

Proprietà o categoria Unicode	Significato	Esempi di caratteri mantenuti nei token
Alphabetic	Lettere di vari sistemi di scrittura, inclusi i caratteri cinesi e i kana giapponesi, e alcuni segni combinatori	中文测试, カタカナ
Nd (Decimal_Number)	Cifre decimali	٣
Nl (Letter_Number)	Caratteri numerici simili a lettere	Ⅷ
No (Other_Number)	Altri caratteri numerici, come numeri cerchiati, apici e frazioni	①²¾

I caratteri che non fanno parte di questi insiemi separano i token e vengono scartati. Tra questi vi sono spazi, segni di punteggiatura, trattini bassi (_), trattini (-), apostrofi (') e simboli quali +, $ e 😀. I separatori consecutivi non generano token vuoti.

La classificazione dei caratteri segue quella di Rust char::is_alphanumeric(). Per le definizioni delle proprietà, consultare l’Allegato n. 44 dello standard Unicode. Gli elenchi completi dei caratteri Unicode 17.0 sono disponibili in DerivedCoreProperties.txt all’indirizzo Alphabetic e DerivedGeneralCategory.txt per Nd, Nl e No. L’appartenenza dei caratteri dipende dai dati Unicode utilizzati dalla versione distribuita.

Gli esempi seguenti utilizzano {"tokenizer": "standard"} senza filtri. Il tokenizer mantiene le maiuscole e le minuscole e non segmenta il testo cinese continuo in singole parole.

Input	Token in uscita
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"]

Configurazione

Per configurare un analizzatore utilizzando il tokenizer standard, impostare tokenizer su standard in analyzer_params.

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

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

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

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

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

Il tokenizer standard può funzionare in combinazione con uno o più filtri. Ad esempio, il codice seguente definisce un analizzatore che utilizza il tokenizer standard e il filtro lowercase:

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

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

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

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

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

Dopo aver definito analyzer_params, è possibile applicarli a un campo VARCHAR durante la definizione dello schema di una collezione. Ciò consente a Milvus di elaborare il testo in quel campo utilizzando l’analizzatore specificato per una tokenizzazione e un filtraggio efficienti. Per i dettagli, consultare Esempio di utilizzo.

Esempi

Prima di applicare la configurazione dell’analizzatore allo schema della collezione, verificarne il comportamento utilizzando il metodo ` run_analyzer `.

Configurazione dell’analizzatore

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

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

// javascript

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

# restful

Verifica tramite run_analyzer

from pymilvus import (
    MilvusClient,
)

client = MilvusClient(
    uri="http://localhost:19530",
    token="root:Milvus"
)

# 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)

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("http://localhost:19530")
        .token("root:Milvus")
        .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();

// javascript

import (
    "context"
    "fmt"

    "github.com/milvus-io/milvus/client/v2/milvusclient"
)

ctx := context.Background()
client, err := milvusclient.New(ctx, &milvusclient.ClientConfig{
    Address: "localhost:19530",
    APIKey:  "root:Milvus",
})
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
}

# restful

Risultato atteso

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