Repozitár pozostáva zo:
- stop-words (pôvodný zdroj code.google.com/p/stop-words/)
- OpenThesaurus-SK - synonymický slovník vo formáte pre ElasticSearch / SOLR (prekonvertované z originálneho OpenThesaurus-SK)
- hunspell-sk pripravený pre
hunspell token filter
(zdroj hunspell-sk)
Pre lepšie výsledky pri lematizácii odporúčame použiť LemmaGen (licencia umožňuje použitie len v nekomerčných projektoch)
Vyskúšať môžete aj hunspell slovník od Essential Data
Otestované pre ElasticSearch v1.3.4 Synonymický slovník je vo formáte použitelnom aj pre SOLR (zatiaľ netestované).
Obsah repozitáru stačí nakopírovať do priečinku config/
vo vašej inštalácií ElasticSearch
|-bin
|-config
|---hunspell
|-----sk_SK
|---stop-words
|---synonyms
|-libexec
Príklad, ako si nastaviť analyzer:
{
"settings": {
"analysis": {
"filter": {
"lemmagen_filter_sk": {
"type": "lemmagen",
"lexicon": "sk"
},
"lemmagen_filter_sk": {
"type": "lemmagen",
"lexicon": "sk"
},
"sk_SK" : {
"type" : "hunspell",
"locale" : "sk_SK",
"dedup" : true,
"recursion_level" : 0
},
"synonym_filter": {
"type": "synonym",
"synonyms_path": "synonyms/sk_SK.txt",
"ignore_case": true
},
"stopwords_SK": {
"type": "stop",
"stopwords_path": "stop-words/stop-words-slovak.txt",
"ignore_case": true
}
},
"analyzer": {
"slovencina_synonym": {
"type": "custom",
"tokenizer": "standard",
"filter": [
"stopwords_SK",
"lemmagen_filter_sk",
"lowercase",
"stopwords_SK",
"synonym_filter",
"asciifolding"
]
},
"slovencina": {
"type": "custom",
"tokenizer": "standard",
"filter": [
"stopwords_SK",
"lemmagen_filter_sk",
"lowercase",
"stopwords_SK",
"asciifolding"
]
}
}
}
}
}
pozn. tento príklad používa LemmaGen
Tento projekt spravuje lab.SNG. Ak máte akékoľvek otázky, vytvorte issue priamo tu alebo nám napíšte na [email protected].
-
OpenThesaurus-SK a hunspell-sk používa dáta vydané pod GPLv2, LGPLv2.1, MPLv1.1
-
stop-words sú pod public domain