ユーザー辞書を作成する (Office SharePoint Server 2007)

[アーティクル]
2012/06/12

ユーザー辞書とは、Unicode でエンコードされたファイルで、同じ言語用のワードブレーカが完全語と見なす単語の指定に使用できます。既定のユーザー辞書はありません。複数の言語についてワードブレーカの動作を変更するには、動作を変更する言語別にユーザー辞書を作成する必要があります。言語に依存しないワードブレーカ用のユーザー辞書は作成できません。

注意

カスタムディクショナリは、ファーム内のすべての共有サービスプロバイダに適用されます。

次の表に、Microsoft Office SharePoint Server 2007 でサポートディクショナリがサポートされる言語と地域を示します。また、サポートされている各言語および地域の言語コード ID (LCID) および 16 進コードも示します。

各言語の 16 進コードで、冒頭の 2 桁の数字は地域を表し、末尾の 2 桁の数字は言語を表します。地域別のワードブレーカが個別に存在しない言語の場合、16 進コードの最初の 2 桁は常にゼロになります。

表 1 - サポートされている言語

言語/地域	LCID	言語の 16 進コード
アラビア語	1025	0001
ベンガル語	1093	0045
ブルガリア語	1026	0002
カタルニア語	1027	0003
クロアチア語	1050	001a
デンマーク語	1030	0006
ドイツ語	1043	0013
英語	1033	0009
フランス語	1036	000c
ドイツ語	1031	0007
グジャラート語	1095	0047
ヘブライ語	1037	000d
ヒンディー語	1081	0039
アイスランド語	1039	000f
インドネシア語	1057	0021
イタリア語	1040	0010
日本語	1041	0011
カンナダ語	1099	004b
ラトビア語	1062	0026
リトアニア語	1063	0027
マレー語	1086	003e
マラヤーラム語	1100	004c
マラーティー語	1102	004e
ノルウェー語 (ボークモール)	1044	0414
ポルトガル語	2070	0816
ポルトガル語 (ブラジル)	1046	0416
パンジャブ語	1094	0046
ルーマニア語	1048	0018
ロシア語	1049	0019
セルビア語 (キリル)	3098	0c1a
セルビア語 (ラテン)	2074	081a
スロバキア語	1051	001b
スロベニア語	1060	0024
スペイン語	3082	000a
スウェーデン語	1053	001d
タミール語	1097	0049
テルグ語	1098	004a
ウクライナ語	1058	0022
ウルドゥー語	1056	0020
ベトナム語	1066	002a

カスタムディクショナリを使用する理由

ユーザー辞書は、特定言語のワードブレーカで、特定の単語を無視するため、つまり単語を分割しないために使用します。ユーザー辞書が必要かどうか、および必要な場合はどの単語 (エントリ) を含めるべきかを判断するには、ワードブレーカの動作を理解しておくと役に立ちます。

ワードブレーカは、コンテンツのインデックス作成時に、単語をトークンに分割するために、インデックスシステムによって使用されます。ワードブレーカは、クエリシステムがクエリ内の単語をトークンに分割するときにも使用されます。どちらのケースでも、使用するワードブレーカの言語をサポートするユーザー辞書が既に作成されている場合は、Office Server Search Service によって、ユーザー辞書に対象の単語が存在するかどうかが判別されてから、その単語にワードブレーカを使用するかどうかが判別されます。ユーザー辞書に、対象の単語がない場合、ワードブレーカは通常どおりに動作するので、その単語は複数の単語またはトークンに分割されます。ユーザー辞書に対象の単語がある場合、その単語に対しては何も行われません。

次の例では、ワードブレーカの一般的な動作と、ユーザー辞書のエントリが、ワードブレーカの動作にどのように影響するかを説明します。

例 1

特定のワードブレーカでは、IT&T のような単語は、アンパサンド記号 (&) のところで分割されます。その結果、"IT" という単語と文字 "T" に分かれます。文字 "T" は、ほとんどの言語のワードブレーカで、ノイズワードとして破棄されます。ただし、使用するワードブレーカと同じ言語のユーザー辞書に IT&T という単語がある場合、ワードブレーカで単語 IT&T は無視されます。つまり、フルクロールの実行時に、この単語は IT&T としてインデックス付けされます。ユーザーが単語 IT&T のクエリを入力しても、ワードブレーカはこの単語を分割しません。"IT" または "T" を含むクエリでは、これらの文字列を個別に含むドキュメントは検索結果に返されませんが、"IT&T" を含むドキュメントは検索結果に返されます。

例 2

SystemicChemicalNames (SCN) または CAS 番号のような用語は、ワードブレーカの動作対象になります。たとえば、ワードブレーカは、通常、ハイフンの前後の数字や、その他の特殊文字とその後の数字を分割します。たとえば、7782-44-7 という CAS 番号は、酸素の CAS 登録番号を表しますが、この登録番号は、ワードブレーカの処理後に、7782、44、7 の 3 つの部分に分割されます。コーパスに表れる SCN および CAS 番号を、任意の言語のユーザー辞書に追加することにより、SCN および CAS 番号は個々の数字に分割されずにインデックス付けされるようになります。クエリ時に、そのコンテンツの言語用の適切なワードブレーカとユーザー辞書が使用されるので、ユーザーが SCN または CAS 番号をクエリに含めても、その番号は分割されません。

正規化と類義語辞典ファイル

一般的にワードブレーカによって適用される、日付の正規化などの名前付きエンティティの正規化は、ユーザー辞書のクエリ用語には適用されません。ユーザー辞書上のすべてのクエリ用語は、完全一致として扱われます。類義語辞典ファイルに、(前述したような) 単語や数字がある場合、この動作について考慮しておくことが特に大切です。たとえば、CAS 番号 "7782-44-7" が類義語辞典の拡張セットにあり、ワードブレーカがこの番号をハイフンで 3 つに分割してしまう場合、この番号を含む拡張セットは、適切に機能していないことが考えられます。この場合、CAS 番号 "7782-44-7" を適切な言語のユーザー辞書に追加すると、問題が解決します。

はじめに

ユーザー辞書は、簡単に作成または変更できます。ユーザー辞書は Unicode 形式の単純なファイルで、エントリ (ユーザーが指定する単語) を、復帰 (CR) や改行 (LF) で個別の行に区切ったものです。ユーザー辞書にエントリを追加する場合は、予期しない結果を避けるため、次の規則について考慮してください。

エントリでは、大文字と小文字は区別されません。
ユーザー辞書には、パイプ (|) 文字を使用できません。
ユーザー辞書には、空白文字を使用できません。
シャープ記号 (#) は、エントリの冒頭には使用できませんが、エントリ中やエントリの末尾には使用できます。
パイプ、シャープ記号、空白文字以外の、英数字、句読点、記号、改行文字は使用できます。
エントリの最大長は 128 文字です (Unicode)。

次の表に、サポートされているエントリとサポートされていないエントリの例を示します。

表 2 - サポートされているエントリとサポートされていないエントリの例

サポートされている	サポートされていない
dogfood	dog food
3#	#3
Four#sale	dog\|food
ASP.NET
IT&T
(2-Methoxymethylethoxy)propanol
34590-97-8
C7H1603

ユーザー辞書のエントリ数に制限はありませんが、合計サイズが 2 GB を超えないようにすることをお勧めします。実際には、エントリ数を数千個程度に制限することをお勧めします。