Остановка

Фильтр stop удаляет заданные стоп-слова из токенизированного текста, помогая устранить обычные, менее значимые слова. Список стоп-слов можно настроить с помощью параметра stop_words.

Конфигурация

Фильтр stop получает список стоп-слов либо в строке с помощью параметра stop_words, либо из зарегистрированного файлового ресурса с помощью параметра stop_words_file.

Встроенный список стоп-слов

Чтобы использовать фильтр stop с инлайн-списком, укажите в конфигурации фильтра параметр "type": "stop", а также параметр stop_words, который предоставляет список стоп-слов.

analyzer_params = {
    "tokenizer": "standard",
    "filter":[{
        "type": "stop", # Specifies the filter type as stop
        "stop_words": ["of", "to", "_english_"], # Defines custom stop words and includes the English stop word list
    }],
}

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", "standard");
analyzerParams.put("filter",
        Collections.singletonList(
                new HashMap<String, Object>() {{
                    put("type", "stop");
                    put("stop_words", Arrays.asList("of", "to", "_english_"));
                }}
        )
);

const analyzer_params = {
    "tokenizer": "standard",
    "filter":[{
        "type": "stop", # Specifies the filter type as stop
        "stop_words": ["of", "to", "_english_"], # Defines custom stop words and includes the English stop word list
    }],
};

analyzerParams = map[string]any{"tokenizer": "standard",
    "filter": []any{map[string]any{
        "type":       "stop",
        "stop_words": []string{"of", "to", "_english_"},
    }}}

# restful
analyzerParams='{
  "tokenizer": "standard",
  "filter": [
    {
      "type": "stop",
      "stop_words": [
        "of",
        "to",
        "_english_"
      ]
    }
  ]
}'

Фильтр stop принимает следующие настраиваемые параметры.

Параметр

Описание

stop_words

Список слов, которые должны быть удалены из токенизации. По умолчанию фильтр использует встроенный словарь _english_. Вы можете переопределить или расширить его тремя способами: Встроенные словари - укажите один из этих языковых псевдонимов, чтобы использовать предопределенный словарь: "_english_", "_danish_", "_dutch_", "_finnish_", "_french_", "_german_", "_hungarian_", "_italian_", "_norwegian_", "_portuguese_", "_russian_", "_spanish_", "_swedish_" Пользовательский список - передайте массив собственных терминов, например, ["foo", "bar", "baz"]. Смешанный список - объединяет псевдонимы и пользовательские термины, например ["of", "to", "_english_"]. Подробнее о точном содержании каждого предопределенного словаря см. в разделе stop_words.

Фильтр stop работает с терминами, сгенерированными токенизатором, поэтому он должен использоваться в сочетании с токенизатором. Список токенизаторов, доступных в Milvus, см. на странице Standard Tokenizer и других страницах.

Определив analyzer_params, вы можете применить их к полю VARCHAR при определении схемы коллекции. Это позволит Milvus обрабатывать текст в этом поле с помощью указанного анализатора для эффективной токенизации и фильтрации. Подробнее см. в разделе Пример использования.

Загрузка стоп-слов из файлового ресурсаCompatible with Milvus 3.0.x

Для создания больших пользовательских списков стоп-слов - списков для конкретного языка, доменных словарей или списков, которые вы хотите использовать во многих коллекциях, - сохраните слова в файле и зарегистрируйте его как удаленный файловый ресурс, а затем ссылайтесь на него в фильтре с помощью параметра stop_words_file. Вы можете использовать stop_words_file сам по себе или вместе со встроенным stop_words; если заданы оба параметра, фильтр объединяет два источника в один список стоп-слов.

Файл представляет собой обычный текст в формате UTF-8 с одним стоп-словом на строку. Например:

the
of
for

Загрузите файл в хранилище объектов, на использование которого настроен кластер Milvus, а затем зарегистрируйте его:

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="en_stop_words",
    path="file/stop_words.txt",    # full S3 object key, including the rootPath prefix
)

Ссылайтесь на зарегистрированный ресурс в фильтре через stop_words_file:

analyzer_params = {
    "tokenizer": "standard",
    "filter": [{
        "type": "stop",
        "stop_words_file": {
            "type": "remote",
            "resource_name": "en_stop_words",
            "file_name": "stop_words.txt",
        },
    }],
}

Параметр stop_words_file принимает объект со следующими полями:

Поле	Описание
type	Тип ресурса. Используйте "remote" для файла, зарегистрированного через add_file_resource. Вариант "local", используемый в самостоятельных развертываниях, см. в разделе Управление файловыми ресурсами.
resource_name	Имя, использованное при регистрации файла с помощью add_file_resource.
file_name	Часть имени файла в пути к объектному хранилищу зарегистрированного ресурса (например, "stop_words.txt", если ресурс был зарегистрирован с помощью path="file/stop_words.txt").

Примеры

Прежде чем применять конфигурацию анализатора к схеме коллекции, проверьте ее поведение с помощью метода run_analyzer.

Конфигурация анализатора

analyzer_params = {
    "tokenizer": "standard",
    "filter":[{
        "type": "stop", # Specifies the filter type as stop
        "stop_words": ["of", "to", "_english_"], # Defines custom stop words and includes the English stop word list
    }],
}

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", "standard");
analyzerParams.put("filter",
        Collections.singletonList(
                new HashMap<String, Object>() {{
                    put("type", "stop");
                    put("stop_words", Arrays.asList("of", "to", "_english_"));
                }}
        )
);

// javascript

analyzerParams = map[string]any{"tokenizer": "standard",
    "filter": []any{map[string]any{
        "type":       "stop",
        "stop_words": []string{"of", "to", "_english_"},
    }}}

# restful

Проверка с помощью run_analyzer

from pymilvus import (
    MilvusClient,
)

client = MilvusClient(uri="http://localhost:19530")

# Sample text to analyze
sample_text = "The stop filter allows control over common stop words for text processing."

# 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")
        .build();
MilvusClientV2 client = new MilvusClientV2(config);

List<String> texts = new ArrayList<>();
texts.add("The stop filter allows control over common stop words for text processing.");

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{"The stop filter allows control over common stop words for text processing."}
option := milvusclient.NewRunAnalyzerOption(texts).
    WithAnalyzerParams(string(bs))

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

# restful

Ожидаемый результат

['The', 'stop', 'filter', 'allows', 'control', 'over', 'common', 'stop', 'words', 'text', 'processing']