我要投稿
微信搜一搜，关注“7sh科技”
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POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业
2025-07-29
一小时内构建基于Gemma与Bright Data的生产级RAG应用
2025-07-28
做RAG系统到底是选MaxKB还是FastGPT
2025-07-28
企业RAG之构建 FastMCP 服务：基于模型上下文协议的智能服务体系搭建实践
2025-07-28
RAG数据准备完整实战指南：从原始文档到高质量知识库
2025-07-28
企业RAG之数据源构建：爬取巨潮资讯网上市企业年报
2025-07-28
HiRAG：一种基于层级知识索引和检索的高精度RAG
2025-07-28
长文本放提示词中还是采用 RAG？
2025-07-28
检索链路全优化：查询重写、重排与压缩如何提升 RAG 效果
2025-06-06
2025-05-30
2025-06-05
2025-05-19
2025-05-08
2025-05-10
2025-06-05
2025-05-20
2025-06-05
2025-05-09
2025-07-28
2025-07-09
2025-07-04
2025-07-01
2025-07-01
2025-07-01
2025-07-01
2025-06-30
回到顶部
粤ICP备14082021号