หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

การค้นหาขัดแตะเต็มรูปแบบ

การค้นหาข้อความเต็มรูปแบบเกี่ยวกับขัดแตะที่น่าจะเป็นด้วย Elasticsearch!

สถานที่จัดตำแหน่ง Lattice ตัวอย่าง

ภาพรวม

ปลั๊กอิน ElasticSearch นี้ช่วยให้สามารถค้นหาการถอดเสียงในรูปแบบของโครงสร้างขัดแตะที่น่าจะเป็น lattices เหล่านี้อยู่ในรูปแบบเอาต์พุตโดยการรู้จำเสียงพูดอัตโนมัติ (ASR) หรือคำพูดเป็นข้อความ (STT), การจดจำอักขระแบบออพติคอล (OCR), การแปลด้วยเครื่อง (MT), ภาพคำบรรยายภาพอัตโนมัติ ฯลฯ lattices โดยไม่คำนึงถึงการวิเคราะห์ที่เป็นไปได้ (เช่นที่ตำแหน่งแรกด้านล่างเอาต์พุตที่เป็นไปได้คือ 'และ' A ') ในกรณีของ STT สถานที่จะมีช่วงเวลาในกรณีของ OCR สถานที่อาจเป็นพิกัด XY หรืออาจเป็นตำแหน่งการอ่าน เอาต์พุตที่เป็นไปได้แต่ละรายการมีความน่าจะเป็นที่เกี่ยวข้องกับการเกิดขึ้นที่ตำแหน่งนั้นช่วยให้การให้คะแนนความเกี่ยวข้องจะได้รับผลกระทบจากคุณภาพของเอาต์พุตตาข่าย

ดูการเริ่มต้นเพื่อลองใช้

ปลั๊กอิน

ปลั๊กอินประกอบด้วยสามองค์ประกอบ:

  • LatticetokenFilter - ตัวกรองโทเค็นแบบกำหนดเองเพื่อจัดทำดัชนีสตรีมโทเค็นตาข่ายซึ่งออกแบบมาเพื่อใช้เป็นส่วนหนึ่งของห่วงโซ่การวิเคราะห์
  • LatticeField - ฟิลด์ที่กำหนดเองเพื่อจัดเก็บการกำหนดค่าของ LatticetokenFilter สำหรับการเข้าถึงในเวลาสอบถาม (ดูส่วนด้านล่างของ LatticeField สำหรับคำอธิบายว่าทำไมจึงจำเป็นต้องมี)
  • MatchLatticeQuery - แบบสอบถามที่กำหนดเองเพื่อค้นหา LatticeFields ที่วิเคราะห์ด้วย latticetokenfilter

latticetokenfilter

ตัวกรองโทเค็นของ Type lattice ที่ประมวลผลสตรีมโทเค็น Lattice โทเค็นในสตรีมบ่งบอกถึงตำแหน่งโทเค็นทำให้สตรีมเป็นตัวแทนของโครงสร้างตาข่ายเหมือนที่ด้านบน โทเค็นในสตรีมยังมีคะแนนซึ่งเก็บไว้ในโทเค็นเพย์โหลดเมื่อจัดทำดัชนีเพื่อให้สามารถใช้ส่งผลกระทบต่อการให้คะแนน

ตัวกรองโทเค็นยอมรับโทเค็นในหนึ่งในสองรูปแบบ รูปแบบตั้งค่าด้วยพารามิเตอร์ lattice_format ซึ่งสามารถตั้งค่าเป็น lattice หรือ audio

lattice_format=lattice

โทเค็นควรอยู่ในรูปแบบ

<token:string>|<position:int>|<rank:int>|<score:float>

ตัวอย่างสตรีม: the|0|0|0.9 , quick|1|0|0.6 , brick|1|1|0.2 , fox|2|0|0.5 , box|2|1|0.09 , jumped|3|0|1.0

ตัวอย่างที่ 1

ในตัวอย่างด้านบนโทเค็น quick และ brick จะเป็นดัชนีที่ตำแหน่งเดียวกันเพราะทั้งคู่มีตำแหน่งตั้งไว้ที่ 1

  • token โทเค็นสตริงจริงที่จะค้นหาและประมวลผลโดยตัวกรองติดตาม
  • position คือตำแหน่งระดับโลกของโทเค็นในเอกสารต้นฉบับ (ใช้เพื่อตรวจสอบว่าโทเค็นควรเป็นสถานที่ในตำแหน่งเดียวกันกับโทเค็นก่อนหน้า)
  • rank อันดับของโทเค็นเมื่อเทียบกับโทเค็นอื่น ๆ ที่เป็นไปได้ที่ตำแหน่งนี้ (0 เป็นอันดับที่น่าจะเป็นไปได้มากที่สุด)
  • score ลอยระหว่าง 0.0 ถึง 1.0 (รวม) ความน่าจะเป็นของโทเค็นนี้ที่ตำแหน่งนี้ หมายเหตุหากคุณมีคะแนนเป็นศูนย์โทเค็นจะไม่กลับมาเป็นการค้นหาและควรละเว้นจากสตรีม

lattice_format=audio

โทเค็นมีฟิลด์ทั้งหมดจากรูปแบบ lattice ด้วยการเพิ่ม start_time และ stop_time

โทเค็นควรอยู่ในรูปแบบ

<token:string>|<position:int>|<rank:int>|<score:float>|<start_time:float>|<stop_time:float>

ตัวอย่างสตรีม: the|0|0|0.9|0.15|0.25 , quick|1|0|0.6|0.25|0.5 , brick|1|1|0.2|0.25|0.5 , fox|2|0|0.5|1.0|1.3 box|2|1|0.09|1.0|1.3 jumped|3|0|1.0|2.0|2.5

ตัวอย่าง 2

ในตัวอย่างด้านบนโทเค็น quick และ brick จะเป็นดัชนีที่ตำแหน่งเดียวกันเนื่องจากทั้งคู่มีตำแหน่งตั้งไว้ที่ 1 ค่าตำแหน่งจริงของโทเค็นจะถูกกำหนดโดย Times และ audio_position_increment_seconds ขณะนี้ตัวกรองจะดูเป็นเวลาเริ่มต้นโทเค็นเท่านั้น

ถ้า audio_position_increment_seconds=0.01 ในตัวอย่างด้านบน the ถูกจัดทำดัชนีด้วยตำแหน่ง 15; quick และ brick จะถูกจัดทำดัชนีที่ตำแหน่ง 25; เป็นต้น

  • start_time เวลาเริ่มต้นในไม่กี่วินาทีของโทเค็นนี้เมื่อเทียบกับจุดเริ่มต้นของเสียงต้นฉบับ
  • stop_time เวลาเริ่มต้นในไม่กี่วินาทีของโทเค็นนี้เมื่อเทียบกับจุดเริ่มต้นของเสียงต้นฉบับ

พารามิเตอร์รวมถึง:

  • lattice_format (ค่าเริ่มต้นคือ Lattice)
    • กำหนดฟิลด์ในโทเค็นตาข่ายทั้ง audio หรือ lattice
    • ช่วยให้ PositiveIncrement ได้รับผลกระทบจากระยะห่างระหว่างโทเค็นในเอกสารต้นฉบับ
      ดู audio_position_increment_seconds
  • score_buckets (ค่าเริ่มต้นไม่มีการทำซ้ำ)
    • ใส่โทเค็นที่ซ้ำกันในตำแหน่งเดียวกับโทเค็นดั้งเดิมตามเกณฑ์คะแนน สิ่งนี้จะแฮ็กความถี่ในการใช้งานเพื่อให้ตรงกับโทเค็นการให้คะแนนที่สูงขึ้นจะมีความเกี่ยวข้องมากกว่าโทเค็นการให้คะแนนที่ต่ำกว่า (ดูการทำซ้ำโทเค็นกับถังคะแนนในส่วนข้อ จำกัด ด้านล่าง)
    • สำหรับค่า [0.9, 10, 0.8, 8, 0.7, 7, 0.2, 1] , โทเค็นที่มีคะแนน> = 0.9 จะทำซ้ำ 10 ครั้ง; โทเค็นที่มีคะแนน> = 0.8 จะทำซ้ำ 8 ครั้ง ฯลฯ
  • audio_position_increment_seconds (ค่าเริ่มต้นคือ 0.01)
    • สำหรับ lattice=format=audio นี่คือความแม่นยำที่เวลาเสียงถูกเข้ารหัสเข้าสู่ตำแหน่งในดัชนี
    • ตำแหน่งของโทเค็นจะเป็น floor(token_start_time / audio_position_increment_seconds)

Latticefield

ฟิลด์ประเภท lattice มีพารามิเตอร์ของ LatticetokenFilter สำหรับการอ้างอิง ณ เวลาค้นหา ฟังก์ชั่นเหมือนฟิลด์ข้อความ

หากคุณใช้ lattice_format=audio คุณต้องใช้ประเภทฟิลด์ lattice สำหรับ matchlatticequeries ทำงานอย่างถูกต้องกับเวลา

หมายเหตุ: สิ่งนี้มีอยู่เพียงเพราะปัจจุบันดูเหมือนจะไม่มีวิธีที่จะได้รับข้อมูลที่จำเป็น (หรือใด ๆ ) จากเครื่องวิเคราะห์ในเวลาสอบถาม ฉันคิดว่าอาจมี getChainAware() หรือวิธีการที่คล้ายกันที่เพิ่มเข้ามาใน AnalysisProvider การทำงานคล้ายกับ SynonymGraphTokenFilterFactory.getChainAwareTokenFilterFactory() ภายใน AnalysisRegistry (สำหรับรายละเอียดเพิ่มเติมดูความคิดเห็นที่ด้านบนของชั้นเรียนนี้)

พารามิเตอร์รวมถึง:

  • lattice_format ต้องตรงกับการกำหนดค่าของชุด LatticeTokenFilter ในฟิลด์นี้
  • audio_position_increment_seconds จะต้องตรงกับการกำหนดค่าของชุด LatticeTokenFilter ในฟิลด์นี้

MatchlatticeQuery

แบบสอบถามประเภท match_lattice แบบสอบถามฟิลด์ lattice ที่กำหนดค่าด้วยตัวกรองโทเค็น lattice

ดำเนินการ SpannearQuery ที่ห่อด้วย latticePayloadScoreQuery (ส่วนขยายของ PayloadScoreQuery) ซึ่งใช้คะแนนที่เข้ารหัสในแต่ละน้ำหนักโทเค็นเพื่อให้คะแนนช่วงการจับคู่ คะแนนจากแต่ละช่วงจะถูกรวมเข้าด้วยกันเพื่อให้คะแนนเอกสาร (ดูพารามิเตอร์ payload_function สำหรับรายละเอียด) หากมีการตั้งค่า include_span_score คะแนนด้านบนจะคูณด้วยคะแนนความคล้ายคลึงกันที่กำหนดค่า

พารามิเตอร์รวมถึง:

  • จำนวนโทเค็นข้าม slop ที่อนุญาตในการจับคู่
  • slop_seconds ใช้เมื่อ lattice_format=audio วินาทีสูงสุดการแข่งขันจะได้รับอนุญาตให้ขยาย
  • in_order order ว่าโทเค็นจะต้องปรากฏตามลำดับ (ควรเป็น true สำหรับ lattice_format=audio )
  • include_span_score ถ้า true คะแนนความคล้ายคลึงกันที่กำหนดค่าจะคูณด้วยคะแนนน้ำหนักบรรทุก (อธิบายไว้ข้างต้น)
  • payload_function หนึ่งใน sum max หรือ min (ค่าเริ่มต้นคือ sum )
    • ผล sum ผลรวมคะแนนของช่วงการจับคู่
    • max เลือกคะแนนสูงสุดจากช่วงการจับคู่ทั้งหมด
    • min เลือกคะแนนขั้นต่ำจากช่วงการจับคู่ทั้งหมด
  • payload_length_norm_factor การลอยตัวกำหนดความยาวของช่วงการจับคู่ควรทำให้คะแนน Span เป็นปกติ ค่าหนึ่งหมายความว่าคะแนนจะถูกหารด้วยความยาวของช่วง (หมายเหตุสิ่งนี้ในความกว้างของช่วงในแง่ของลูซีน) ค่า 0 หมายความว่าไม่มีการทำให้เป็นมาตรฐานความยาว

การให้คะแนน

เมื่อใช้แบบสอบถาม match_lattice กับ payload_function=sum จะมีการคำนวณคะแนนเอกสาร (เป็นเงินต้น) เป็น

คะแนนหมอ

ในทำนองเดียวกันสำหรับ payload_function=min

คะแนนขั้นต่ำ

และสำหรับ payload_function=max

คะแนนสูงสุด

เริ่มต้น

การพัฒนา

นักเทียบท่า

สำหรับการพัฒนาคุณสามารถใช้อิมเมจ Docker ด้านล่างซึ่งใช้เวลาจาก Image Elasticsearch อย่างเป็นทางการและติดตั้งปลั๊กอินนี้ คุณสามารถอ่านสิ่งนี้สำหรับคำแนะนำเกี่ยวกับวิธีการใช้ภาพ Elasticsearch

docker pull messiaen/full-lattice-search:2.0.0-7.3.0

นักเทียบท่า

docker-compose.yaml ตัวอย่าง: 

 version : " 2 "
services :
  kibana :
    image : docker.elastic.co/kibana/kibana:7.3.0
    ports :
      - 5601:5601
    environment :
      ELASTICSEARCH_HOSTS : http://es01:9200
  es01 :
    image : messiaen/full-lattice-search:2.0.0-7.3.0
    environment :
      - node.name=es01
      - discovery.type=single-node
      - " ES_JAVA_OPTS=-Xms1024m -Xmx1024m "
    ulimits :
      memlock :
        soft : -1
        hard : -1
    volumes :
      - esdata01:/usr/share/elasticsearch/data
    ports :
      - 9200:9200

volumes :
  esdata01 :
    driver : local

เพียงคัดลอก Yaml ด้านบนลงในไฟล์ชื่อ Docker-compose.yaml และจากไดเรกทอรีนั้นเรียกใช้ docker-compose up

ตัวอย่างการใช้กับ kibana

สมมติว่าคุณกำลังใช้ docker-compose.yaml ด้านบนนำทางไปยัง localhost:5601 ในเบราว์เซอร์ของคุณและวางตัวอย่างต่อไปนี้ลงในคอนโซลเครื่องมือ Dev ของ Kibana

การใช้งานด้วยการถอดเสียงด้วยเสียง 

 PUT audio_lattices
{
  "settings": {
    "index": {
      "number_of_shards": 1,
      "number_of_replicas": 0
    },
    "analysis": {
      "analyzer": {
        "lattice_analyzer": {
          "type": "custom",
          "tokenizer": "whitespace",
          "filter": ["lattice_filter", "lowercase"]
        }
      },
      "filter": {
        "lattice_filter": {
          "type": "lattice",
          "lattice_format": "audio",
          "audio_position_increment_seconds": 0.1
        }
      }
    }
  },
  "mappings": {
    "dynamic": "strict",
    "properties": {
      "lattices": {
        "type": "lattice",
        "lattice_format": "audio",
        "audio_position_increment_seconds": 0.1,
        "analyzer": "lattice_analyzer"
      }
    }
  }
}

POST audio_lattices/_doc/1
{
  "lattices": """the|0|0|0.9|0.15|0.25
  quick|1|0|0.6|0.25|0.5 brick|1|1|0.2|0.25|0.5
  fox|2|0|0.5|1.0|1.3 box|2|1|0.09|1.0|1.3
  jumped|3|0|1.0|2.0|2.5"""
}

GET audio_lattices/_search
{
  "query": {
    "match_lattice": {
      "lattices": {
      
        "query": "quick box jumped",
        "slop_seconds": 2,
        "include_span_score": "true",
        "payload_function": "sum",
        "in_order": "true"
      }
    }
  }
}

ดูในคอนโซล

การตอบสนองการค้นหา 

 {
  "took" : 1,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 36.987705,
    "hits" : [
      {
        "_index" : "audio_lattices",
        "_type" : "_doc",
        "_id" : "1",
        "_score" : 36.987705,
        "_source" : {
          "lattices" : """
the|0|0|0.9|0.15|0.25
  quick|1|0|0.6|0.25|0.5 brick|1|1|0.2|0.25|0.5
  fox|2|0|0.5|1.0|1.3 box|2|1|0.09|1.0|1.3
  jumped|3|0|1.0|2.0|2.5
"""
        }
      }
    ]
  }
}

การใช้งานด้วยการถอดเสียงข้อความที่มีตำแหน่งอันดับและคะแนนเท่านั้น 

 PUT text_lattices
{
  "settings": {
    "index": {
      "number_of_shards": 1,
      "number_of_replicas": 0
    },
    "analysis": {
      "analyzer": {
        "lattice_analyzer": {
          "type": "custom",
          "tokenizer": "whitespace",
          "filter": ["lattice_filter", "lowercase"]
        }
      },
      "filter": {
        "lattice_filter": {
          "type": "lattice",
          "lattice_format": "lattice"
        }
      }
    }
  },
  "mappings": {
    "dynamic": "strict",
    "properties": {
      "lattices": {
        "type": "lattice",
        "lattice_format": "lattice",
        "analyzer": "lattice_analyzer"
      }
    }
  }
}

POST text_lattices/_doc/1
{
  "lattices": """the|0|0|0.9
  quick|1|0|0.6 brick|1|1|0.2
  fox|2|0|0.5 box|2|1|0.09
  jumped|3|0|1.0"""
}

GET text_lattices/_search
{
  "query": {
    "match_lattice": {
      "lattices": {
      
        "query": "quick jumped",
        "slop": 1,
        "include_span_score": "true",
        "payload_function": "sum",
        "in_order": "true"
      }
    }
  }
}

ดูในคอนโซล

การตอบสนองการค้นหา 

 {
  "took" : 0,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 1,
      "relation" : "eq"
    },
    "max_score" : 9041.438,
    "hits" : [
      {
        "_index" : "text_lattices",
        "_type" : "_doc",
        "_id" : "1",
        "_score" : 9041.438,
        "_source" : {
          "lattices" : """
the|0|0|0.9
  quick|1|0|0.6 brick|1|1|0.2
  fox|2|0|0.5 box|2|1|0.09
  jumped|3|0|1.0
"""
        }
      }
    ]
  }
}

สร้างจากแหล่งที่มา

สร้างข้อกำหนด

  • ทำ
  • Java12

สร้างและทดสอบ

เพียงเรียก make ในไดเรกทอรีราก

หากคุณต้องการสร้างปลั๊กอินโดยไม่ต้องทดสอบคุณสามารถรันได้

./gradlew clean assemble

ไม่ว่าในกรณีใดปลั๊กอินที่สร้างขึ้นจะเป็น build/distributions/full-lattice-search-*.zip

การทดสอบ

make run จะสร้างปลั๊กอินและยืนขึ้น ElasticSearch (ติดตั้งปลั๊กอิน) และ Kibana ที่มีนักเทียบท่า

การติดตั้งสำหรับการผลิต

ต้องใช้ ElasticSearch 7.3.0 (สนับสนุนเวอร์ชันอื่น (> = 6.0.0) เร็ว ๆ นี้ / ตามคำขอ)

  1. ดาวน์โหลดแท็บที่เหมาะสมจากรีลีส
  2. ติดตั้งปลั๊กอินโดยใช้เอกสาร Elasticsearch ที่นี่หรือที่นี่

ข้อ จำกัด

ไส้กรอก

เปลวไฟ Sassage

ปลั๊กอินนี้ไม่ได้ออกแบบมาเพื่อทำงานกับโครงสร้างตาข่ายทั่วไป แต่ทำงานกับรูปแบบบีบอัดที่รู้จักกันในชื่อเครือข่ายความสับสนหรือ สตริงไส้กรอก เครือข่ายความสับสนแสดงถึงโครงตาข่ายทั่วไปที่มีชุดตำแหน่งคงที่ (ช่วงเวลาตำแหน่งของภาพ ฯลฯ )
แต่ละตำแหน่งมีชุดของคำที่เป็นไปได้และแต่ละคำมีโอกาสเกิดขึ้นที่เกี่ยวข้อง

ตัวอย่างเช่นการจำแนกคำพูดอัตโนมัติสามารถสร้างตาข่ายด้านล่างซึ่งผู้พูดพูดจริงๆ

"วิดีโอแต่ละรายการควรไม่ถึงสิบนาที"

ตาข่ายเช่น

ตาข่ายด้านบนสามารถบีบอัดลงในเครือข่ายความสับสนด้านล่าง

ไส้กรอกเช่น

หมายเหตุโทเค็น <epsilon> (หมายถึงการขาดคำ) ได้รับการแทรกเพื่อให้คำว่า "เข้าใจ 'มีระยะเวลานานกว่าคนอื่น

นอกจากนี้ยังเป็นที่น่าสังเกตว่ากระบวนการบีบอัดตาข่ายลงในเครือข่ายความสับสนโดยทั่วไปจะสูญเสียไปซึ่งหมายความว่าเส้นทางบางเส้นทางผ่านเครือข่ายความสับสนไม่ได้อยู่ในเครือข่ายแหล่งกำเนิด ตัวอย่างเช่นวลี "เข้าใจสิบนาที" มีอยู่ในเครือข่ายความสับสน แต่ไม่ได้อยู่ในตาข่าย

หมายเหตุคุณมีความรับผิดชอบในการสร้างความมั่นใจว่าโครงสร้างขัดแตะของคุณจะถูกจัดรูปแบบเครือข่ายความสับสน

การทำซ้ำโทเค็นกับถังคะแนน

ดูเอกสาร LatticetokenFilter สำหรับรายละเอียดการใช้งาน

ดังที่ได้กล่าวไว้ในเอกสาร LatticetokenFilter พารามิเตอร์ score_buckets อาจใช้ในการจัดทำดัชนีโทเค็นซ้ำที่ตำแหน่งเดียวกันเพื่อเพิ่มความถี่คำศัพท์ของโทเค็นเหล่านั้นเมื่อเทียบกับคะแนน แม้ว่าสิ่งนี้จะมีผลกระทบที่ต้องการ แต่ก็มีการพิจารณาเล็กน้อย

  1. ขนาดดัชนี: การทำซ้ำจะเพิ่มขนาดของดัชนีของคุณเมื่อเทียบกับจำนวนที่คุณใช้ซ้ำ นี่ค่อนข้างขัดแย้งกับประสิทธิภาพการดึงข้อมูล ในระหว่างการทดสอบเทคนิคนี้สำหรับระบบ ASR พบว่าการทำซ้ำเชิงเส้น 8x ของโทเค็น ( score_buckets=[0.9, 72, 0.8, 64, 0.7, 56, 0.6, 48, 0.5, 40, 0.4, 32, 0.2, 16, 0.1, 8, 0.01, 2]
  2. ความเร็วดัชนี : การทำซ้ำมากเกินไปอาจนำไปสู่ความเร็วดัชนีที่ช้า มาก โดยเฉพาะอย่างยิ่งหากมีการใช้ตัวกรองโทเค็นที่มีการติดตามที่หนักกว่าหรือตัวกรองโทเค็นสเตมเมอร์บางตัวในระหว่างการทดสอบดัชนีด้วยการกำหนดค่าการทำซ้ำ 8x ใน 1
  3. การแฮ็คความถี่: เนื่องจากเรากำลังแฮ็คสถิติความถี่ในระยะที่มีผลต่อการให้คะแนนความเกี่ยวข้องความเป็นไปได้อย่างหนึ่งคือขัดแตะจะมีอินสแตนซ์การให้คะแนนต่ำจำนวนมากของคำเดียว ในกรณีนี้ความถี่คำศัพท์สำหรับคำนั้นอาจสูงมากดังนั้นจึงดูเหมือนการจับคู่ที่มีคุณภาพสูงเมื่อในความเป็นจริงมันไม่ได้ เพื่อช่วยให้เอกสารนี้ควรเก็บไว้ขนาดเล็ก (ขัดแตะสามารถแบ่งออกเป็นส่วน) ในการใช้งานโดยทั่วไปของการแฮ็ก / การใช้งานมากเกินไปต้องใช้การทดสอบอย่างระมัดระวังสำหรับกรณีการใช้งานเฉพาะของคุณ
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด