TEXTIMILARITY

s’applique à :colonne calculéetable calculéemesurecalcul visuel

Retourne un score de pertinence à virgule flottante qui indique la manière dont le texte fortement dans une colonne correspond à une chaîne de recherche.

Syntax

TEXTSIMILARITY(<within_text_column>, <search_text>[, <match_mode>])

Parameters

Terme Définition
within_text_column Colonne qui contient les valeurs de texte à rechercher. La colonne doit avoir le type de données String.
search_text Chaîne de texte qui définit la condition de recherche.
match_mode (Facultatif) Comportement correspondant à utiliser. Les valeurs prises en charge sont TEXTMATCHING, FUZZYMATCHINGet PHRASEMATCHING. La valeur par défaut est TEXTMATCHING.

Valeur renvoyée

Score de pertinence lexical à virgule flottante. Dans une évaluation, un score plus élevé indique une correspondance plus forte, et 0 ne indique aucune correspondance.

Le score est une valeur de classement opaque, et non un pourcentage, une probabilité ou une mesure de similarité normalisée. Comparez les scores uniquement dans le même contexte de recherche.

Les scores ne sont pas garantis comme comparables ou stables entre les exécutions de requêtes distinctes, les chaînes de recherche, les colonnes, les contextes de filtre, les sources de données ou les modes de stockage, le contenu de l’index ou les générations, ou les plans d’exécution. Ces facteurs peuvent modifier le corpus de scoring ou l’implémentation de scoring même lorsque les valeurs de texte visibles sont inchangées.

Modes de correspondance

Mode Comportement
TEXTMATCHING Tokenizes et score le search_text texte qui correspond à n’importe quel jeton de recherche.
FUZZYMATCHING Score les jetons similaires aux jetons de recherche dans une petite distance d’édition. Ce mode prend en charge la correspondance à tolérance de faute de frappe.
PHRASEMATCHING Note le texte lorsque les jetons analysés apparaissent en regard des uns des autres et dans l’ordre spécifié. La ponctuation n’affecte pas la séquence de jetons.

Remarks

  • La recherche ne tient pas compte de la casse.
  • La fonction applique la suppression de mots vides et de recherche de mots spécifiques à la langue en fonction de la culture du modèle. Par exemple, la recherche run de recherche permet de faire correspondre running, runset runner. La suppression de mots vides ignore les mots de remplissage courants tels que the, and, of, et in.
  • Le classement par colonne ne contrôle pas la langue de l’analyseur. La culture du modèle le contrôle. Dans Power BI Bureau, sélectionnez Options de fichier>et paramètres>Options> dumodèle deparamètres> régionaux dufichier> actuel pour définir la langue du modèle. Pour plus d’informations, consultez FORMAT.
  • Les cultures de modèle prises en charge sont les suivantes :
    • Anglais (en)
    • Français (fr)
    • Allemand (de)
    • Espagnol (es)
    • Portugais (pt)
    • Russe (ru)
    • Arabe (ar)
    • Turc (tr)
    • Danois (da)
    • Néerlandais (nl)
    • Finnois (fi)
    • Grec (el)
    • Hongrois (hu)
    • Italien (it)
    • Norvégien (no, nbet nn)
    • Roumain (ro)
    • Suédois (sv)
    • Tamoul (ta)
  • Pour les cultures non prises en charge, TEXTSIMILARITY utilise un tokenizer en minuscules générique sans suppression de mot de recherche ou de mot vide.
  • Le pliage d’accentuation n’est pas pris en charge. Par exemple, café ne correspond pas à cafe.
  • La fonction nécessite un index de recherche en texte intégral persistant sur within_text_column. Il est pris en charge pour les modes d’importation, de double et de stockage Direct Lake. D’autres modes de stockage retournent une erreur.
  • La fonction est évaluée par ligne. Avant de l’utiliser dans une colonne calculée sur une table très volumineuse, testez les performances avec une charge de travail représentative.
  • Utilisez TEXTCONTAINS lorsque vous avez besoin d’un résultat de correspondance booléenne au lieu d’un score de pertinence.

Examples

Retourner les lignes les plus pertinentes

La requête suivante retourne les cinq révisions avec les scores de pertinence les plus élevés pour great refrigerator:

EVALUATE
TOPN (
    5,
    FactReviews,
    TEXTSIMILARITY ( FactReviews[Text], "great refrigerator" ), DESC
)
Exemple de texte Score
This is a great refrigerator, keeps everything cold and quiet. 3.42
Fantastic fridge! Great cooling performance and very spacious. 2.98
Our old refrigerator broke and this new one works great. 2.54
Refrigerator is decent, not great but gets the job done. 1.72
The refrigerator section is large, freezer is okay. 1.10

Filtrer et classer des lignes

La requête suivante limite le résultat aux révisions qui correspondentrefrigerator, puis les classe selon leur pertinence :great refrigerator

EVALUATE
TOPN (
    5,
    FILTER (
        FactReviews,
        TEXTCONTAINS ( FactReviews[Text], "refrigerator" )
    ),
    TEXTSIMILARITY ( FactReviews[Text], "great refrigerator" ), DESC
)

TEXTCONTAINS et TEXTSIMILARITY s’exécutent indépendamment. Le filtrage des lignes avec TEXTCONTAINS lequel l’étendue d’index n’est pas modifiée pour calculer TEXTSIMILARITY les scores.

Exemple de texte Score
This is a great refrigerator - quiet, spacious, and keeps food fresh. 3.42
Fantastic fridge. Cooling performance is excellent and build quality is great. 3.01
Our old refrigerator died, but this new one works great and runs silently. 2.67
The refrigerator section is huge. Would be great if the freezer were larger. 1,94
Solid refrigerator. Not the best, but overall a great value for the price. 1,65

Afficher les scores de pertinence

La requête suivante ajoute le score de pertinence pour chaque description de produit au résultat :

EVALUATE
ADDCOLUMNS (
    Products,
    "Relevance score", TEXTSIMILARITY ( Products[Description], "wireless bluetooth" )
)
Exemple de texte Score
Wireless headphones with Bluetooth 2.35
Wired headphones 0

Contenu connexe

  • Dernière mise à jour :