%SIMILARITY

SIMILARITYINDEX

%SIMILARITY には、インデックス付きとインデックスなしの実装があります。%Text と %Stream.GlobalCharacterSearchable の両方について、オプションで SIMILARITYINDEX プロパティ・パラメータを設定できます。SIMILARITYINDEX を指定しないと、Caché はインデックスなしの (はるかに低速な) 実装を使用し、この実装ではドキュメントの任意の 32k チャンクの最大限の類似性を取得します。類似性メトリックはドキュメントの長さを考慮するため、この方法で計算される類似性は、ドキュメント全体について計算される類似性とは異なります (通常は大きくなります)。また、チャンクは重ならないため、チャンクの境界上に出現する類似項目は、ドキュメント全体に対する場合と比較して、それほど類似性に影響を与えないため、類似性の値が減少することになります。これとは対照的に、SIMILARITYINDEX をベースとする %SIMILARITY 値はチャンクに分割されない、ドキュメント全体に基づきます。パフォーマンスと一貫性を向上させるために、ストリーム上で %SIMILARITY を使用する必要がある場合は、類似性インデックスを設定することをお勧めします。

SIMILARITYINDEX の詳細は、%Library.TextOpens in a new tab クラスを参照してください。

類似性の分析

等値 (1.00000) が返された場合は、field 値と document 文字列が同じ単語から構成されていることを意味します。2 つの単語の語幹形式が同じ場合、それらは同一と見なされます (例 : dog = dogs、jump = jumped = jumping)。field 内の単語の順番と document 内の単語の順番は、まったく違っていてかまいません。既定では、この単語比較では大文字と小文字が区別されません。

非常に高い類似性が返された場合は、通常、field 内の単語 (または他の区切られたデータ項目) のほとんどまたはすべてが、同じ語幹形式や順序ではなくても、document 内にあることを意味します。document テキストには、field に存在しない単語が含まれている場合もあります。document には存在するが field には存在しない単語は、document には存在しないが field には存在する単語よりは、類似性に与える影響は低くなります。field に存在する単語が document 内で 1 回か 2 回重複している場合は、通常、その類似性の度合は高くなりますが、document で何回も重複している場合は類似性の度合が下がります。1 文字または 2 文字から構成される単語は、長い単語と比較して、類似性の度合に対する影響は少なくなります。

%SIMILARITY 比較は、%SYS ネームスペースにある %Text.TextOpens in a new tab システム・クラスのクラス・パラメータで規定されます。これらのパラメータは、比較で大文字と小文字を区別するかどうか、および数字、句読点文字、複数語句の処理方法を指定します。

Caché では、一般の単語解析 (“ノイズ語” リスト) や語幹ルールを含む、特別な言語解析ルールを使用して類似性を決定することができます。使用できる言語は、英語、フランス語、ドイツ語、イタリア語、日本語、ポルトガル語、およびスペイン語です。

%SIMILARITY および %Text の処理の詳細は、"インターシステムズ・クラス・リファレンス" の %TextOpens in a new tab パッケージ・クラスのドキュメントを参照してください。

iKnow と iFind

Caché iKnow テキスト解析ツールおよび iFind テキスト検索ツールも類似性解析を提供します。これらの機能は %TextOpens in a new tab クラスからは完全に独立しています。これらは他のテキスト解析とは大きく異なる、はるかに高度なテキスト解析を提供します。