我没有自然语言处理的正式背景，想请问NLP领域的专家能否对此提供一些见解。我正在使用NLTK库，并且特别关注该包提供的停用词功能：

In [80]: nltk.corpus.stopwords.words(‘english’)

Out[80]:

[‘i’, ‘me’, ‘my’, ‘myself’, ‘we’, ‘our’, ‘ours’, ‘ourselves’, ‘you’, ‘your’, ‘yours’, ‘yourself’, ‘yourselves’, ‘he’, ‘him’, ‘his’, ‘himself’, ‘she’, ‘her’, ‘hers’, ‘herself’, ‘it’, ‘its’, ‘itself’, ‘they’, ‘them’, ‘their’, ‘theirs’, ‘themselves’, ‘what’, ‘which’, ‘who’, ‘whom’, ‘this’, ‘that’, ‘these’, ‘those’, ‘am’, ‘is’, ‘are’, ‘was’, ‘were’, ‘be’, ‘been’, ‘being’, ‘have’, ‘has’, ‘had’, ‘having’, ‘do’, ‘does’, ‘did’, ‘doing’, ‘a’, ‘an’, ‘the’, ‘and’, ‘but’, ‘if’, ‘or’, ‘because’, ‘as’, ‘until’, ‘while’, ‘of’, ‘at’, ‘by’, ‘for’, ‘with’, ‘about’, ‘against’, ‘between’, ‘into’, ‘through’, ‘during’, ‘before’, ‘after’, ‘above’, ‘below’, ‘to’, ‘from’, ‘up’, ‘down’, ‘in’, ‘out’, ‘on’, ‘off’, ‘over’, ‘under’, ‘again’, ‘further’, ‘then’, ‘once’, ‘here’, ‘there’, ‘when’, ‘where’, ‘why’, ‘how’, ‘all’, ‘any’, ‘both’, ‘each’, ‘few’, ‘more’, ‘most’, ‘other’, ‘some’, ‘such’, ‘no’, ‘nor’, ‘not’, ‘only’, ‘own’, ‘same’, ‘so’, ‘than’, ‘too’, ‘very’, ‘s’, ‘t’, ‘can’, ‘will’, ‘just’, ‘don’, ‘should’, ‘now’]

我不明白的是，为什么“not”这个词会出现在停用词列表中？这不是用来确定句子中的情感倾向所必需的吗？例如，像这样的句子：

I am not sure what the problem is.

一旦移除了停用词not，句子的意思就会完全相反（I am sure what the problem is）。如果真是这样，是不是有一套我不知道的规则，关于什么时候不应该使用这些停用词？

回答：

停用词列表的概念没有普遍的定义，取决于你想要做什么。如果你的任务需要理解短语的情感倾向、极性或类似的特征，并且你的方法依赖于检测否定（如你的例子中），显然你不应该将“not”作为停用词移除（请注意，你可能仍然希望移除其他非常常见但不相关的词，这些词将构成你的新停用词列表）。

然而，回答你的问题，大多数情感分析方法都是非常表面的。它们寻找带有情感/情绪的词，并且——大多数情况下——它们不会尝试对句子进行深入分析。

作为另一个你希望保留停用词的例子：如果你试图根据作者对文档进行分类（作者归属）或进行文体测量，你绝对应该保留这些功能词，因为它们构成了风格和话语的重要部分。

然而，对于许多其他类型的分析（例如词空间模型、文档相似性、搜索等），移除非常常见的功能词在计算上是有意义的（你处理的词更少），在某些情况下在实践中也是有意义的（移除停用词后你甚至可能得到更好的结果）。如果我想了解某个特定词经常使用的上下文，我希望看到的是内容词，而不是功能词。