粤ICP备17114055号
微信扫码
添加专属顾问
支持私有云部署
我要投稿
了解停用词表的重要性及在RAG系统中的应用，提升文本处理效率和模型性能。 核心内容： 1. 停用词表的定义和作用 2. 停用词表在不同领域和语言中的差异 3. RAG系统中移除停用词的好处及中文停用词资源分享
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
53AI，企业落地大模型首选服务商
产品：场景落地咨询+大模型应用平台+行业解决方案
承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2025-03-18
【停用词】NLP中的停用词怎么获取？我整理了6种方法
2025-03-18
2W8000字深度剖析25种RAG变体：全网最全~没有之一
2025-03-18
一文搞懂什么是向量嵌入Embedding？
2025-03-17
构建企业RAG系统的全面过程，遵循“Garbage in, garbage out” 原则
2025-03-17
LangChain进阶指南：RAG实践总结
2025-03-17
AISearchPro-AI智能搜索实践
2025-03-16
Embedding、向量模型怎么选？知识库准不准还得看它
2025-03-16
RAG中的chunk质量如何评分？HiRAG对GraphRAG的改进思路及推理大模型用于机器翻译
2024-10-27
2024-09-04
2024-07-18
2024-05-05
2024-06-20
2024-06-13
2024-07-09
2024-07-09
2024-05-19
2024-07-07
回到顶部