Jieba
O tokenizador jieba processa o texto chinês dividindo-o nas palavras que o compõem.
O tokenizador jieba preserva os sinais de pontuação como tokens separados na saída. Por exemplo, "你好！世界。" torna-se ["你好", "！", "世界", "。"]. Para remover esses tokens de pontuação independentes, use o filtro removepunct filtro.
Configuração
Milvus suporta duas abordagens de configuração para o tokenizador jieba: uma configuração simples e uma configuração personalizada.
Configuração simples
Com a configuração simples, só é necessário definir o tokenizador para "jieba". Por exemplo:
# Simple configuration: only specifying the tokenizer name
analyzer_params = {
"tokenizer": "jieba", # Use the default settings: dict=["_default_"], mode="search", hmm=True
}
Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", "jieba");
const analyzer_params = {
"tokenizer": "jieba",
};
analyzerParams = map[string]any{"tokenizer": "jieba"}
# restful
analyzerParams='{
"tokenizer": "jieba"
}'
Esta configuração simples é equivalente à seguinte configuração personalizada:
# Custom configuration equivalent to the simple configuration above
analyzer_params = {
"type": "jieba", # Tokenizer type, fixed as "jieba"
"dict": ["_default_"], # Use the default dictionary
"mode": "search", # Use search mode for improved recall (see mode details below)
"hmm": True # Enable HMM for probabilistic segmentation
}
Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("type", "jieba");
analyzerParams.put("dict", Collections.singletonList("_default_"));
analyzerParams.put("mode", "search");
analyzerParams.put("hmm", true);
// javascript
analyzerParams = map[string]any{"type": "jieba", "dict": []any{"_default_"}, "mode": "search", "hmm": true}
# restful
Para obter detalhes sobre os parâmetros, consulte Configuração personalizada.
Configuração personalizada
Para obter mais controle, é possível fornecer uma configuração personalizada que permite especificar um dicionário personalizado, selecionar o modo de segmentação e ativar ou desativar o Modelo de Markov Oculto (HMM). Por exemplo:
# Custom configuration with user-defined settings
analyzer_params = {
"tokenizer": {
"type": "jieba", # Fixed tokenizer type
"dict": ["customDictionary"], # Custom dictionary list; replace with your own terms
"mode": "exact", # Use exact mode (non-overlapping tokens)
"hmm": False # Disable HMM; unmatched text will be split into individual characters
}
}
Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", new HashMap<String, Object>() {{
put("type", "jieba");
put("dict", Arrays.asList("customDictionary"));
put("mode", "exact");
put("hmm", false);
}});
// javascript
analyzerParams := map[string]interface{}{
"tokenizer": map[string]interface{}{
"type": "jieba",
"dict": []string{"customDictionary"},
"mode": "exact",
"hmm": false,
},
}
# restful
Parâmetro |
Descrição |
Valor padrão |
|---|---|---|
|
O tipo de tokenizador. Este é fixado em |
|
|
Uma lista de dicionários que o analisador carregará como sua fonte de vocabulário. Opções incorporadas:
|
|
|
O modo de segmentação. Valores possíveis:
|
|
|
Um sinalizador booleano que indica se deve ativar o Modelo de Markov Oculto (HMM) para segmentação probabilística de palavras não encontradas no dicionário. |
|
Para carregar um grande vocabulário personalizado a partir de um ficheiro externo em vez de o incorporar através de dict, consulte Configuração personalizada com um ficheiro de dicionário abaixo.
Depois de definir analyzer_params, pode aplicá-los a um campo VARCHAR ao definir um esquema de coleção. Isto permite que o Milvus processe o texto nesse campo utilizando o analisador especificado para uma tokenização e filtragem eficientes. Para mais pormenores, consulte Exemplo de utilização.
Configuração personalizada com um ficheiro de dicionárioCompatible with Milvus 3.0.x
Para grandes vocabulários personalizados - glossários de domínios, terminologia de produtos ou listas de nomes próprios - armazene as palavras em um arquivo e registre o arquivo como um recurso de arquivo remoto e, em seguida, faça referência a ele no tokenizador por meio do parâmetro extra_dict_file. O analisador carrega estas palavras no seu vocabulário, para além do dicionário incorporado.
O ficheiro é um texto UTF-8 simples com um termo por linha. Por exemplo:
结巴分词器
向量数据库
Carregue o ficheiro para o armazenamento de objectos que o seu cluster Milvus está configurado para utilizar e, em seguida, registe-o:
from pymilvus import MilvusClient
client = MilvusClient(uri="http://localhost:19530")
# Register the uploaded file under a name you'll reference from analyzer configs.
client.add_file_resource(
name="zh_terms",
path="file/zh_terms.txt", # full S3 object key, including the rootPath prefix
)
// java
// nodejs
// go
# restful
Referenciar o recurso registado no tokenizer através de extra_dict_file:
analyzer_params = {
"tokenizer": {
"type": "jieba",
"dict": ["_default_"], # keep the built-in dictionary
"mode": "exact",
"hmm": False,
"extra_dict_file": {
"type": "remote",
"resource_name": "zh_terms",
"file_name": "zh_terms.txt",
},
},
}
client.run_analyzer(["milvus结巴分词器中文测试"], analyzer_params)
# → [['milvus', '结巴', '分词器', '中文', '测试']]
// java
// nodejs
// go
# restful
O parâmetro extra_dict_file aceita um objeto com os seguintes campos:
Campo |
Descrição |
|---|---|
|
O tipo de recurso. Utilize |
|
O nome utilizado quando o ficheiro foi registado em |
|
A parte do nome do ficheiro do caminho do armazenamento de objectos do recurso registado (por exemplo, |
As palavras adicionadas através de extra_dict_file são fundidas com o dicionário incorporado, pelo que o algoritmo de segmentação da jieba as vê juntamente com as entradas existentes. Se um termo específico surge como um token autónomo depende da seleção DAG ponderada pela probabilidade da jieba - um termo personalizado longo como 向量数据库 pode ainda ser dividido em 向量 + 数据库 se essas entradas mais curtas tiverem frequências mais elevadas no dicionário incorporado.
Exemplos
Antes de aplicar a configuração do analisador ao seu esquema de coleção, verifique o seu comportamento utilizando o método run_analyzer.
Configuração do analisador
analyzer_params = {
"tokenizer": {
"type": "jieba",
"dict": ["结巴分词器"],
"mode": "exact",
"hmm": False
}
}
Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", new HashMap<String, Object>() {{
put("type", "jieba");
put("dict", Arrays.asList("结巴分词器"));
put("mode", "exact");
put("hmm", false);
}});
// javascript
analyzerParams := map[string]interface{}{
"tokenizer": map[string]interface{}{
"type": "jieba",
"dict": []string{"结巴分词器"},
"mode": "exact",
"hmm": false,
},
}
# restful
Verificação usando run_analyzer
from pymilvus import (
MilvusClient,
)
client = MilvusClient(
uri="http://localhost:19530",
token="root:Milvus"
)
# Sample text to analyze
sample_text = "milvus结巴分词器中文测试"
# 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("milvus结巴分词器中文测试");
RunAnalyzerResp resp = client.runAnalyzer(RunAnalyzerReq.builder()
.texts(texts)
.analyzerParams(analyzerParams)
.build());
List<RunAnalyzerResp.AnalyzerResult> results = resp.getResults();
// javascript
import (
"context"
"encoding/json"
"fmt"
"github.com/milvus-io/milvus/client/v2/milvusclient"
)
client, err := milvusclient.New(ctx, &milvusclient.ClientConfig{
Address: "localhost:19530",
APIKey: "root:Milvus",
})
if err != nil {
fmt.Println(err.Error())
// handle error
}
bs, _ := json.Marshal(analyzerParams)
texts := []string{"milvus结巴分词器中文测试"}
option := milvusclient.NewRunAnalyzerOption(texts).
WithAnalyzerParams(string(bs))
result, err := client.RunAnalyzer(ctx, option)
if err != nil {
fmt.Println(err.Error())
// handle error
}
# restful
Saída esperada
['milvus', '结巴分词器', '中', '文', '测', '试']
