Stop Words

In jedem deutschen Text tauchen einige Wörter extrem oft auf: „der“, „die“, „und“, „ist“, „in“, „zu“. Sie sind für die Grammatik nötig, sagen aber allein wenig über das Thema aus. Wenn ein Computerprogramm herausfinden soll, worum es in einem Text geht, stören solche Wörter eher, als dass sie helfen. Deshalb hat man früh angefangen, sie vor der Auswertung einfach zu löschen. Diese gestrichenen Wörter nennt man Stop Words, auf Deutsch Stoppwörter. Welche Wörter dazugehören, steht in einer festen Liste, die jemand vorher zusammengestellt hat.

Was das Streichen von Füllwörtern bringt

Der praktische Nutzen ist zuerst einmal Sparsamkeit. In einem typischen deutschen Text bestehen rund 30 bis 40 Prozent aller Wörter aus einer Handvoll solcher Allerweltswörter. Wer sie entfernt, muss also deutlich weniger Daten speichern und durchsuchen. Für klassische Suchmaschinen, die Millionen Dokumente in Sekundenbruchteilen durchforsten mussten, war das ein handfester Vorteil.

Der zweite Nutzen betrifft die Qualität der Ergebnisse. Viele ältere Verfahren bewerten ein Dokument danach, welche Wörter darin besonders oft vorkommen. Ohne Bereinigung wäre die Antwort immer die gleiche: „der“, „und“, „die“. Erst wenn man die Füllwörter wegnimmt, treten die aussagekräftigen Begriffe hervor. Eine Wortwolke über einen Zeitungsartikel wird so überhaupt erst lesbar.

Wichtig ist aber: Stop Words sind kein Naturgesetz, sondern eine Entscheidung. Es gibt keine offizielle, allgemeingültige Liste. Verschiedene Programmbibliotheken benutzen unterschiedliche Listen, mal 100 Wörter, mal über 600. Wer eine Analyse nachbauen will, muss deshalb wissen, welche Liste im Spiel war.

Von der Wortliste zum bereinigten Text

Der Ablauf ist erstaunlich simpel. Zuerst wird der Text in einzelne Wörter zerlegt, was Fachleute Tokenisierung nennen. Danach geht das Programm Wort für Wort durch und vergleicht jedes mit der Stoppwortliste. Steht das Wort auf der Liste, fliegt es raus. Aus „Die Aktie des Konzerns ist im Mai stark gestiegen“ wird so etwa „Aktie Konzern Mai stark gestiegen“.

Oft wird das mit weiteren Aufräumschritten kombiniert. Alles wird kleingeschrieben, Satzzeichen verschwinden, und Wörter werden auf ihre Grundform zurückgeführt. Aus „gestiegen“ wird dann „steigen“. Ziel ist, dass verwandte Formen desselben Wortes nicht als verschiedene Begriffe gezählt werden.

Genau hier lauert der bekannteste Fehler. Bedeutung steckt manchmal ausgerechnet in den kleinen Wörtern. „Der Kurs steigt nicht“ und „Der Kurs steigt“ bedeuten das Gegenteil voneinander — nach dem Streichen von „nicht“ sind beide Sätze identisch. Auch Suchanfragen wie „To be or not to be“ bestehen fast nur aus Stoppwörtern. Moderne Sprachmodelle wie die hinter Chatbots entfernen deshalb nichts. Sie lesen jeden Textbaustein und lernen selbst, wie viel Gewicht ein Wort im jeweiligen Zusammenhang bekommt.

Wo Stoppwortlisten heute noch im Einsatz sind

Man begegnet dem Verfahren überall dort, wo Texte schnell und billig sortiert werden müssen. Spam-Filter, Schlagwortextraktion in Redaktionssystemen und die Themenanalyse großer Dokumentensammlungen arbeiten häufig damit. Auch die Wortwolken, die man in Präsentationen oder auf Nachrichtenseiten sieht, entstehen fast immer nach einer Stoppwortbereinigung.

In Nachrichten über KI taucht der Begriff meist als Abgrenzung auf. Wenn beschrieben wird, wie sich heutige Systeme von der Textverarbeitung der 2000er-Jahre unterscheiden, ist der Verzicht auf Stop Words ein typisches Beispiel. Früher hat man dem Computer beigebracht, was unwichtig ist. Heute überlässt man ihm diese Einschätzung selbst.

Wer selbst programmiert, stößt schnell darauf: Werkzeugkästen wie NLTK oder spaCy bringen fertige deutsche Stoppwortlisten mit, die sich mit einer Zeile Code anwenden lassen. Für Schulprojekte oder einfache Textstatistiken ist das nach wie vor ein sinnvoller erster Schritt. Man sollte nur prüfen, ob die eigene Fragestellung ein Wort braucht, das die Liste gerade wegwirft.