i18n(ja): join top 30 katakana compound word-pairs

CONTRIBUTING.md

@@ -31,7 +31,7 @@
 
 TiDB 用の新しいドキュメントを作成する場合は、当社のスタイルに合わせて使用できる[いくつかのドキュメントテンプレート](/resources/doc-templates)ドキュメントを提供します。
 
-プル リクエストを送信する前に、次のテンプレートを確認してください。
+プルリクエストを送信する前に、次のテンプレートを確認してください。
 
 -   [概念](/resources/doc-templates/template-concept.md)
 -   [タスク](/resources/doc-templates/template-task.md)
@@ -139,7 +139,7 @@ git push -u origin new-branch-name # "-u" is used to track the remote branch fro
 
 ## 影響を受けるバージョンを選択するためのガイドライン {#guideline-for-choosing-the-affected-version-s}
 
-プル リクエストを作成するときは、プル リクエスト ページの説明テンプレートで、ドキュメントの変更を適用するリリース バージョンを選択する必要があります。
+プルリクエストを作成するときは、プルリクエスト ページの説明テンプレートで、ドキュメントの変更を適用するリリース バージョンを選択する必要があります。
 
 変更が以下のいずれかの状況に該当する場合は、 **「マスターブランチのみを選択」すること**をお勧めします。PRがマージされると、変更はすぐに[PingCAP ドキュメント ウェブサイトの開発ページ](https://docs.pingcap.com/tidb/dev/)に表示されます。TiDBの次のメジャーバージョンまたはマイナーバージョンがリリースされると、変更は新しいバージョンのウェブサイトページにも表示されます。
 

README.md

@@ -2,7 +2,7 @@
 
 TiDB ドキュメントへようこそ!
 
-このリポジトリには[PingCAP ウェブサイトの TiDB ドキュメント](https://docs.pingcap.com/tidb/stable)のすべてのソース ファイルが格納され、 [pingcap/docs-cn](https://github.com/pingcap/docs-cn)リポジトリには[TiDB の中国語ドキュメント](https://docs.pingcap.com/zh/tidb/stable)のすべてのソース ファイルが格納されます。
+このリポジトリには[PingCAP ウェブサイトの TiDB ドキュメント](https://docs.pingcap.com/tidb/stable)のすべてのソースファイルが格納され、 [pingcap/docs-cn](https://github.com/pingcap/docs-cn)リポジトリには[TiDB の中国語ドキュメント](https://docs.pingcap.com/zh/tidb/stable)のすべてのソースファイルが格納されます。
 
 ドキュメントに問題が見つかった場合は、お気軽に[問題を作成する](https://github.com/pingcap/docs/issues/new/choose)までご連絡いただくか、直接[プルリクエストを作成する](/CONTRIBUTING.md#how-to-contribute)ご連絡いただき、修正または更新をお手伝いください。
 

ai/concepts/vector-search-overview.md

@@ -29,13 +29,13 @@ aliases: ['/ja/tidb/stable/vector-search-overview/','/ja/tidb/dev/vector-search-
 
 ベクトル埋め込みは機械学習において不可欠であり、意味的類似性検索の基盤となる。
 
-TiDB は、ベクトル埋め込みのストレージと検索を最適化するように設計された[ベクトルデータ型](/ai/reference/vector-search-data-types.md)と[ベクトル検索インデックス](/ai/reference/vector-search-index.md)を導入し、AI アプリケーションでの使用を強化します。ベクトル埋め込みを TiDB に保存し、ベクトル検索クエリを実行して、これらのデータ タイプを使用して最も関連性の高いデータを見つけることができます。
+TiDB は、ベクトル埋め込みのストレージと検索を最適化するように設計された[ベクトルデータ型](/ai/reference/vector-search-data-types.md)と[ベクトル検索インデックス](/ai/reference/vector-search-index.md)を導入し、AI アプリケーションでの使用を強化します。ベクトル埋め込みを TiDB に保存し、ベクトル検索クエリを実行して、これらのデータタイプを使用して最も関連性の高いデータを見つけることができます。
 
 ### 埋め込みモデル {#embedding-model}
 
 埋め込みモデルは、データを[ベクトル埋め込み](#vector-embedding)に変換するアルゴリズムです。
 
-適切な埋め込みモデルを選択することは、セマンティック検索結果の精度と関連性を確保するために重要です。非構造化テキスト データの場合は、 [大規模テキスト埋め込みベンチマーク（MTEB）リーダーボード](https://huggingface.co/spaces/mteb/leaderboard)リーダーボードで最高のパフォーマンスのテキスト埋め込みモデルを見つけることができます。
+適切な埋め込みモデルを選択することは、セマンティック検索結果の精度と関連性を確保するために重要です。非構造化テキストデータの場合は、 [大規模テキスト埋め込みベンチマーク（MTEB）リーダーボード](https://huggingface.co/spaces/mteb/leaderboard)リーダーボードで最高のパフォーマンスのテキスト埋め込みモデルを見つけることができます。
 
 特定のデータタイプに対応したベクトル埋め込みを生成する方法については、統合チュートリアルまたは埋め込みモデルの例を参照してください。
 

ai/guides/auto-embedding.md

@@ -5,7 +5,7 @@ summary: アプリケーションで自動埋め込みを使用する方法を
 
 # 自動埋め込み {#auto-embedding}
 
-自動埋め込み機能は、テキスト データのベクトル埋め込みを自動的に生成します。
+自動埋め込み機能は、テキストデータのベクトル埋め込みを自動的に生成します。
 
 > **Note:**
 >
@@ -17,7 +17,7 @@ summary: アプリケーションで自動埋め込みを使用する方法を
 
 ### ステップ1. 埋め込み関数を定義する {#step-1-define-an-embedding-function}
 
-テキスト データのベクトル埋め込みを生成するための埋め込み関数を定義します。
+テキストデータのベクトル埋め込みを生成するための埋め込み関数を定義します。
 
 ```python
 from pytidb.embeddings import EmbeddingFunction
@@ -29,7 +29,7 @@ embed_func = EmbeddingFunction(
 
 ### ステップ2. テーブルとベクトルフィールドを作成する {#step-2-create-a-table-and-a-vector-field}
 
-テーブル スキーマにベクトル フィールドを作成するには、 `embed_func.VectorField()`を使用します。
+テーブルスキーマにベクトルフィールドを作成するには、 `embed_func.VectorField()`を使用します。
 
 自動埋め込みを有効にするには、埋め込みたいフィールドに`source_field`設定します。
 

ai/guides/connect.md

@@ -46,7 +46,7 @@ db = TiDBClient.connect(
 
 > **Note:**
 >
-> TiDB Cloud Starterの場合、パブリック エンドポイントを使用する場合はデータベース[データベースへのTLS接続](https://docs.pingcap.com/tidbcloud/secure-connections-to-serverless-clusters/)が必要です。 `pytidb`クライアントは、 TiDB Cloud Starterインスタンスの TLS を**自動的に**有効にします。
+> TiDB Cloud Starterの場合、パブリックエンドポイントを使用する場合はデータベース[データベースへのTLS接続](https://docs.pingcap.com/tidbcloud/secure-connections-to-serverless-clusters/)が必要です。 `pytidb`クライアントは、 TiDB Cloud Starterインスタンスの TLS を**自動的に**有効にします。
 
 </div>
 <div label="TiDB Self-Managed">
@@ -99,7 +99,7 @@ db = TiDBClient.connect(
 
 > **Note:**
 >
-> TiDB Cloud Starterの場合、パブリック エンドポイントを使用する場合はデータベース[データベースへのTLS接続](https://docs.pingcap.com/tidbcloud/secure-connections-to-serverless-clusters/)が必要となるため、接続文字列に`ssl_verify_cert=true&ssl_verify_identity=true`を設定する必要があります。
+> TiDB Cloud Starterの場合、パブリックエンドポイントを使用する場合はデータベース[データベースへのTLS接続](https://docs.pingcap.com/tidbcloud/secure-connections-to-serverless-clusters/)が必要となるため、接続文字列に`ssl_verify_cert=true&ssl_verify_identity=true`を設定する必要があります。
 
 </div>
 <div label="TiDB Self-Managed">

ai/guides/filtering.md

@@ -5,7 +5,7 @@ summary: アプリケーションでフィルタリングを使用する方法
 
 # フィルタリング {#filtering}
 
-リレーショナル データベースである TiDB は、正確なクエリを実行するための[SQL演算子](https://docs.pingcap.com/tidbcloud/operators/)なフィルタリング条件と柔軟な組み合わせをサポートします。
+リレーショナルデータベースである TiDB は、正確なクエリを実行するための[SQL演算子](https://docs.pingcap.com/tidbcloud/operators/)なフィルタリング条件と柔軟な組み合わせをサポートします。
 
 ## 概要 {#overview}
 

ai/guides/join-queries.md

@@ -16,7 +16,7 @@ summary: アプリケーションで複数のテーブル結合を使用する
 
 `TiDBClient`を使用して、すでに[TiDBに接続](/ai/guides/connect.md)していると仮定します。
 
-`documents`テーブルを作成し、いくつかのサンプル データを挿入します。
+`documents`テーブルを作成し、いくつかのサンプルデータを挿入します。
 
 ```python
 from pytidb import Session
@@ -37,7 +37,7 @@ client.table("documents").bulk_insert([
 ])
 ```
 
-`chunks`テーブルを作成し、いくつかのサンプル データを挿入します。
+`chunks`テーブルを作成し、いくつかのサンプルデータを挿入します。
 
 ```python
 class Chunk(TableModel):
@@ -58,7 +58,7 @@ client.table("chunks").bulk_insert([
 </div>
 <div label="SQL" value="sql">
 
-`documents`テーブルを作成し、いくつかのサンプル データを挿入します。
+`documents`テーブルを作成し、いくつかのサンプルデータを挿入します。
 
 ```sql
 CREATE TABLE documents (
@@ -72,7 +72,7 @@ INSERT INTO documents (id, title) VALUES
     (3, 'The Art of Happiness');
 ```
 
-`chunks`テーブルを作成し、いくつかのサンプル データを挿入します。
+`chunks`テーブルを作成し、いくつかのサンプルデータを挿入します。
 
 ```sql
 CREATE TABLE chunks (

ai/guides/raw-queries.md

@@ -31,7 +31,7 @@ client.execute(
 
 ## 生のSQLでデータをクエリする {#query-data-with-raw-sql}
 
-`client.query()`メソッドを使用して、 `SELECT` 、 `SHOW` 、およびその他のクエリ ステートメントを実行します。
+`client.query()`メソッドを使用して、 `SELECT` 、 `SHOW` 、およびその他のクエリステートメントを実行します。
 
 ### クエリ結果を出力する {#output-query-result}
 

ai/guides/vector-search.md

@@ -20,7 +20,7 @@ summary: アプリケーションでベクトル検索を使用する方法を
 <SimpleTab groupId="language">
 <div label="Python" value="python">
 
-`client.create_table()`を使用してテーブルを作成し、 `VectorField`を使用してベクトル フィールドを定義できます。
+`client.create_table()`を使用してテーブルを作成し、 `VectorField`を使用してベクトルフィールドを定義できます。
 
 次の例では、4 つの列を持つ`documents`テーブルを作成します。
 
@@ -69,9 +69,9 @@ CREATE TABLE documents (
 この例では、
 
 -   `text_vec`列は`VECTOR(3)`として定義されているため、この列に格納されるベクトルは 3 次元である必要があります。
--   ベクトル検索のパフォーマンスを最適化するために、 `VEC_COSINE_DISTANCE`関数を使用してベクトル インデックスが作成されます。
+-   ベクトル検索のパフォーマンスを最適化するために、 `VEC_COSINE_DISTANCE`関数を使用してベクトルインデックスが作成されます。
 
-TiDB はベクトル インデックスに対して 2 つの距離関数をサポートしています。
+TiDB はベクトルインデックスに対して 2 つの距離関数をサポートしています。
 
 -   `VEC_COSINE_DISTANCE` : 2つのベクトル間のコサイン距離を計算する
 -   `VEC_L2_DISTANCE` : 2つのベクトル間のL2距離（ユークリッド距離）を計算する
@@ -289,7 +289,7 @@ LIMIT 10;
 
 ## メタデータフィルタリング {#metadata-filtering}
 
-リレーショナル データベースである TiDB は、豊富なセット[SQL演算子](https://docs.pingcap.com/tidbcloud/operators/)をサポートし、フィルタリング条件の柔軟な組み合わせを可能にします。
+リレーショナルデータベースである TiDB は、豊富なセット[SQL演算子](https://docs.pingcap.com/tidbcloud/operators/)をサポートし、フィルタリング条件の柔軟な組み合わせを可能にします。
 
 TiDB でのベクトル検索では、スカラー フィールド (整数や文字列など) または JSON フィールドにメタデータ フィルタリングを適用できます。
 
@@ -305,7 +305,7 @@ TiDB でのベクトル検索では、スカラー フィールド (整数や文
 
 フィルター辞書を持つ`.filter()`メソッドを使用して、ベクトル検索にフィルターを適用します。
 
-デフォルトでは、 `table.search()` API はポストフィルタリング モードを使用して、ベクトル インデックスによる検索パフォーマンスを最大化します。
+デフォルトでは、 `table.search()` API はポストフィルタリング モードを使用して、ベクトルインデックスによる検索パフォーマンスを最大化します。
 
 **例: ポストフィルタリングによるベクトル検索**
 
@@ -330,17 +330,17 @@ results = (
 </div>
 <div label="SQL" value="sql">
 
-現在、ベクトル インデックスは、次のような厳密な ANN (近似最近傍) クエリでのみ有効です。
+現在、ベクトルインデックスは、次のような厳密な ANN (近似最近傍) クエリでのみ有効です。
 
 ```sql
 SELECT * FROM <table> ORDER BY <distance_func>(<column>) LIMIT <n>
 ```
 
-つまり、同じクエリ内で`WHERE`句とベクトル インデックスを一緒に使用することはできません。
+つまり、同じクエリ内で`WHERE`句とベクトルインデックスを一緒に使用することはできません。
 
 ベクトル検索と追加のフィルタリング条件を組み合わせる必要がある場合は、ポストフィルタリングパターンを使用できます。このアプローチでは、ANNクエリは2つの部分に分割されます。
 
--   内部クエリは、ベクトル インデックスを使用してベクトル検索を実行します。
+-   内部クエリは、ベクトルインデックスを使用してベクトル検索を実行します。
 -   外側のクエリは`WHERE`条件を適用して結果をフィルタリングします。
 
 ```sql hl_lines="8"
@@ -414,7 +414,7 @@ TiDB は、単一のテーブルに複数のベクトル列を定義すること
 <SimpleTab groupId="language">
 <div label="Python" value="python">
 
-スキーマ内に複数のベクトル フィールドを定義し、 `.vector_column()`メソッドを使用して指定されたベクトル フィールドに対してベクトル検索を実行できます。
+スキーマ内に複数のベクトルフィールドを定義し、 `.vector_column()`メソッドを使用して指定されたベクトルフィールドに対してベクトル検索を実行できます。
 
 **例: 検索するベクトル場を指定する**
 

ai/integrations/tidb-mcp-claude-code.md

@@ -51,7 +51,7 @@ claude mcp add --transport stdio TiDB \
 
 ### 方法2：プロジェクト設定ファイル {#method-2-project-config-file}
 
-次の設定をプロジェクト レベルの`.mcp.json`ファイルに追加します。詳細については、 [Claude Code MCP ドキュメント](https://code.claude.com/docs/en/mcp#project-scope)を参照してください。
+次の設定をプロジェクトレベルの`.mcp.json`ファイルに追加します。詳細については、 [Claude Code MCP ドキュメント](https://code.claude.com/docs/en/mcp#project-scope)を参照してください。
 
 ```json
 {

ai/integrations/vector-search-auto-embedding-overview.md

@@ -71,7 +71,7 @@ LIMIT 3;
 
 ## 自動埋め込み + ベクトルインデックス {#auto-embedding--vector-index}
 
-自動埋め込みはクエリのパフォーマンスを向上させるための[ベクトルインデックス](/ai/reference/vector-search-index.md)と互換性があります。生成されたベクトル列にベクトル インデックスを定義でき、それは自動的に使用されます。
+自動埋め込みはクエリのパフォーマンスを向上させるための[ベクトルインデックス](/ai/reference/vector-search-index.md)と互換性があります。生成されたベクトル列にベクトルインデックスを定義でき、それは自動的に使用されます。
 
 ```sql
 -- Create a table with auto-embedding and a vector index

ai/integrations/vector-search-integrate-with-django-orm.md

@@ -208,7 +208,7 @@ if TIDB_CA_PATH:
     }
 ```
 
-プロジェクトのルート ディレクトリに`.env`ファイルを作成し、環境変数`TIDB_HOST` 、 `TIDB_PORT` 、 `TIDB_USERNAME` 、 `TIDB_PASSWORD` 、 `TIDB_DATABASE` 、および`TIDB_CA_PATH` TiDB の実際の値で設定できます。
+プロジェクトのルートディレクトリに`.env`ファイルを作成し、環境変数`TIDB_HOST` 、 `TIDB_PORT` 、 `TIDB_USERNAME` 、 `TIDB_PASSWORD` 、 `TIDB_DATABASE` 、および`TIDB_CA_PATH` TiDB の実際の値で設定できます。
 
 ### ベクトルテーブルを作成する {#create-vector-tables}
 

ai/integrations/vector-search-integrate-with-jinaai-embedding.md

@@ -113,7 +113,7 @@ export TIDB_DATABASE_URL="mysql+pymysql://<USERNAME>:<PASSWORD>@<HOST>:<PORT>/<D
 # For example: export TIDB_DATABASE_URL="mysql+pymysql://root@127.0.0.1:4000/test"
 ```
 
-ご使用の TiDB クラスタに合わせて、上記のコマンドのパラメータを置き換える必要があります。ローカル マシンで TiDB を実行している場合、 `<HOST>`はデフォルトで`127.0.0.1`になります。初期値の`<PASSWORD>`は空なので、クラスタを初めて起動する場合はこのフィールドを省略できます。
+ご使用の TiDB クラスタに合わせて、上記のコマンドのパラメータを置き換える必要があります。ローカルマシンで TiDB を実行している場合、 `<HOST>`はデフォルトで`127.0.0.1`になります。初期値の`<PASSWORD>`は空なので、クラスタを初めて起動する場合はこのフィールドを省略できます。
 
 各パラメータの説明は以下のとおりです。