|
停用词表在英文中叫：Stop Words List，它是一个包含常见、但通常对文本分析或自然语言处理任务不重要的词汇的列表。停用词表一般在信息检索、文本分类、情感分析等场景被使用。 因为某些词汇其高频出现在表达具体意义时作用有限，因此被称为“停用词”。在处理文本数据时，通常会将这些停用词从文本中移除，以减少数据的稀疏性，提高处理效率，并可能提升后续分析或模型的性能。 停用词出了一些常用的标点符号，通常包括但不限于以下几类： 介词：如 “的”、“在”、“和”、“以”等。 连词：如 “而且”、“但是”、“因为”等。 助词：如 “了”、“着”、“过”等。 语气词：如 “啊”、“呢”、“吧”等。 在某些上下文中，一些非常常见的实词，如“人们”、“时间”等，也可能被视为停用词，特别是当它们对特定分析任务没有贡献时。 使用停用词表时，需要注意以下几点： 不同领域的停用词可能有所不同，例如，在医学文本中，“患者”可能是一个重要词汇，而在一般文本中则可能被视为停用词。 不同语言的停用词表会有显著差异，因为每种语言都有其独特的词汇和语法结构。 停用词表不是静态的，可能需要根据具体任务和数据集进行动态调整。 目前在一些RAG系统中的文本预处理阶段，通过移除停用词，可以简化文本数据，使其更加专注于表达核心意义的词汇，从而有助于提升后续分析或模型的准确性和效率。 另外，中文常用的停用词已经有大佬整理好了，大家可以直接拿去参考哈，修修改改，基本上就可以用来了。 https://github.com/goto456/stopwords
| 
