Dataset Viewer
stopwords
sequence |
|---|
[
"a",
"acaba",
"acep",
"adamakıllı",
"adeta",
"ait",
"altmýþ",
"altmış",
"altı",
"ama",
"amma",
"anca",
"ancak",
"arada",
"artýk",
"aslında",
"aynen",
"ayrıca",
"az",
"açıkça",
"açıkçası",
"bana",
"bari",
"bazen",
"bazý",
"bazı",
"başkası",
"baţka",
"belki",
"ben",
"benden",
"beni",
"benim",
"beri",
"beriki",
"beş",
"beş",
"beţ",
"bilcümle",
"bile",
"bin",
"binaen",
"binaenaleyh",
"bir",
"biraz",
"birazdan",
"birbiri",
"birden",
"birdenbire",
"biri",
"birice",
"birileri",
"birisi",
"birkaç",
"birkaçı",
"birkez",
"birlikte",
"birçok",
"birçoğu",
"birþey",
"birþeyi",
"birşey",
"birşeyi",
"birţey",
"bitevi",
"biteviye",
"bittabi",
"biz",
"bizatihi",
"bizce",
"bizcileyin",
"bizden",
"bize",
"bizi",
"bizim",
"bizimki",
"bizzat",
"boşuna",
"bu",
"buna",
"bunda",
"bundan",
"bunlar",
"bunları",
"bunların",
"bunu",
"bunun",
"buracıkta",
"burada",
"buradan",
"burası",
"böyle",
"böylece",
"böylecene",
"böylelikle",
"böylemesine",
"böylesine",
"büsbütün",
"bütün",
"cuk",
"cümlesi",
"da",
"daha",
"dahi",
"dahil",
"dahilen",
"daima",
"dair",
"dayanarak",
"de",
"defa",
"dek",
"demin",
"demincek",
"deminden",
"denli",
"derakap",
"derhal",
"derken",
"deđil",
"değil",
"değin",
"diye",
"diđer",
"diğer",
"diğeri",
"doksan",
"dokuz",
"dolayı",
"dolayısıyla",
"doğru",
"dört",
"edecek",
"eden",
"ederek",
"edilecek",
"ediliyor",
"edilmesi",
"ediyor",
"elbet",
"elbette",
"elli",
"emme",
"en",
"enikonu",
"epey",
"epeyce",
"epeyi",
"esasen",
"esnasında",
"etmesi",
"etraflı",
"etraflıca",
"etti",
"ettiği",
"ettiğini",
"evleviyetle",
"evvel",
"evvela",
"evvelce",
"evvelden",
"evvelemirde",
"evveli",
"eđer",
"eğer",
"fakat",
"filanca",
"gah",
"gayet",
"gayetle",
"gayri",
"gayrı",
"gelgelelim",
"gene",
"gerek",
"gerçi",
"geçende",
"geçenlerde",
"gibi",
"gibilerden",
"gibisinden",
"gine",
"göre",
"gırla",
"hakeza",
"halbuki",
"halen",
"halihazırda",
"haliyle",
"handiyse",
"hangi",
"hangisi",
"hani",
"hariç",
"hasebiyle",
"hasılı",
"hatta",
"hele",
"hem",
"henüz",
"hep",
"hepsi",
"her",
"herhangi",
"herkes",
"herkesin",
"hiç",
"hiçbir",
"hiçbiri",
"hoş",
"hulasaten",
"iken",
"iki",
"ila",
"ile",
"ilen",
"ilgili",
"ilk",
"illa",
"illaki",
"imdi",
"indinde",
"inen",
"insermi",
"ise",
"ister",
"itibaren",
"itibariyle",
"itibarıyla",
"iyi",
"iyice",
"iyicene",
"için",
"iş",
"işte",
"iţte",
"kadar",
"kaffesi",
"kah",
"kala",
"kanýmca",
"karşın",
"katrilyon",
"kaynak",
"kaçı",
"kelli",
"kendi",
"kendilerine",
"kendini",
"kendisi",
"kendisine",
"kendisini",
"kere",
"kez",
"keza",
"kezalik",
"keşke",
"keţke",
"ki",
"kim",
"kimden",
"kime",
"kimi",
"kimisi",
"kimse",
"kimsecik",
"kimsecikler",
"külliyen",
"kýrk",
"kýsaca",
"kırk",
"kısaca",
"lakin",
"leh",
"lütfen",
"maada",
"madem",
"mademki",
"mamafih",
"mebni",
"međer",
"meğer",
"meğerki",
"meğerse",
"milyar",
"milyon",
"mu",
"mü",
"mý",
"mı",
"nasýl",
"nasıl",
"nasılsa",
"nazaran",
"naşi",
"ne",
"neden",
"nedeniyle",
"nedenle",
"nedense",
"nerde",
"nerden",
"nerdeyse",
"nere",
"nerede",
"nereden",
"neredeyse",
"neresi",
"nereye",
"netekim",
"neye",
"neyi",
"neyse",
"nice",
"nihayet",
"nihayetinde",
"nitekim",
"niye",
"niçin",
"o",
"olan",
"olarak",
"oldu",
"olduklarını",
"oldukça",
"olduğu",
"olduğunu",
"olmadı",
"olmadığı",
"olmak",
"olması",
"olmayan",
"olmaz",
"olsa",
"olsun",
"olup",
"olur",
"olursa",
"oluyor",
"on",
"ona",
"onca",
"onculayın",
"onda",
"ondan",
"onlar",
"onlardan",
"onlari",
"onlarýn",
"onları",
"onların",
"onu",
"onun",
"oracık",
"oracıkta",
"orada",
"oradan",
"oranca",
"oranla",
"oraya",
"otuz",
"oysa",
"oysaki",
"pek",
"pekala",
"peki",
"pekçe",
"peyderpey",
"rağmen",
"sadece",
"sahi",
"sahiden",
"sana",
"sanki",
"sekiz",
"seksen",
"sen",
"senden",
"seni",
"senin",
"siz",
"sizden",
"sizi",
"sizin",
"sonra",
"sonradan",
"sonraları",
"sonunda",
"tabii",
"tam",
"tamam",
"tamamen",
"tamamıyla",
"tarafından",
"tek",
"trilyon",
"tüm",
"var",
"vardı",
"vasıtasıyla",
"ve",
"velev",
"velhasıl",
"velhasılıkelam",
"veya",
"veyahut",
"ya",
"yahut",
"yakinen",
"yakında",
"yakından",
"yakınlarda",
"yalnız",
"yalnızca",
"yani",
"yapacak",
"yapmak",
"yaptı",
"yaptıkları",
"yaptığı",
"yaptığını",
"yapılan",
"yapılması",
"yapıyor",
"yedi",
"yeniden",
"yenilerde",
"yerine",
"yetmiþ",
"yetmiş",
"yetmiţ",
"yine",
"yirmi",
"yok",
"yoksa",
"yoluyla",
"yüz",
"yüzünden",
"zarfında",
"zaten",
"zati",
"zira",
"çabuk",
"çabukça",
"çeşitli",
"çok",
"çokları",
"çoklarınca",
"çokluk",
"çoklukla",
"çokça",
"çoğu",
"çoğun",
"çoğunca",
"çoğunlukla",
"çünkü",
"öbür",
"öbürkü",
"öbürü",
"önce",
"önceden",
"önceleri",
"öncelikle",
"öteki",
"ötekisi",
"öyle",
"öylece",
"öylelikle",
"öylemesine",
"öz",
"üzere",
"üç",
"þey",
"þeyden",
"þeyi",
"þeyler",
"þu",
"þuna",
"þunda",
"þundan",
"þunu",
"şayet",
"şey",
"şeyden",
"şeyi",
"şeyler",
"şu",
"şuna",
"şuncacık",
"şunda",
"şundan",
"şunlar",
"şunları",
"şunu",
"şunun",
"şura",
"şuracık",
"şuracıkta",
"şurası",
"şöyle",
"ţayet",
"ţimdi",
"ţu",
"ţöyle"
] |
🇹🇷 TR Turkish Stopwords – Extended List (504 Words)
This dataset contains the most comprehensive and extended list of Turkish stopwords, curated specifically for Natural Language Processing (NLP) tasks involving the Turkish language.
📦 Dataset Overview
- Total Stopwords: 504
- Format: JSON
- Key:
"stopwords" - File Size: ~7.7 kB
- License: Apache 2.0
📚 Description
Türkçe:
“TR Türkçe Stopwords” veriseti, Türkçe metinlerde en sık karşılaşılan anlam taşımayan 504 kelimeyi kapsamaktadır. Bu kelimeler; edatlar, zamirler, bağlaçlar ve diğer yardımcı kelimelerden oluşur. Özellikle doğal dil işleme (NLP), metin temizleme, duygu analizi, konu modelleme ve metin madenciliği gibi alanlarda etkili sonuçlar elde etmek için anlamlı olmayan kelimelerin filtrelenmesi amacıyla kullanılır.
Bu veriseti, şimdiye kadar yayınlanmış en geniş kapsamlı Türkçe stopwords listelerinden biridir ve metin işleme süreçlerinde daha isabetli sonuçlar elde etmeye yardımcı olur.
Örnek kelimeler: "a", "acaba", "ama", "bana", "ben", "bu"...
English:
The “TR Turkish Stopwords” dataset includes a comprehensive list of 504 non-meaningful Turkish words that frequently appear in texts. These include prepositions, pronouns, conjunctions, and other auxiliary words.
This dataset is essential for Natural Language Processing (NLP) tasks such as text preprocessing, sentiment analysis, topic modeling, and information retrieval. It enables the removal of noise from Turkish texts, leading to better and more meaningful model outputs.
Examples: "a", "acaba", "ama", "bana", "ben", "bu"...
🔧 File Structure
{
"stopwords": [
"a", "acaba", "ama", "bana", "ben", "bu", ...
]
}
## 📥 Collection Methodology
The creation of the "TR Turkish Stopwords" dataset followed a structured and multi-step methodology to ensure accuracy and relevance:
1. **Source Identification**
A wide range of Turkish text sources were analyzed. These included:
- News articles
- Blog posts
- Social media content
- Academic papers
- Other general-purpose written content in Turkish
2. **Preprocessing**
All texts were preprocessed using standard NLP cleaning techniques:
- Lowercasing
- Removal of punctuation, numbers, and special characters
- Tokenization and normalization
3. **Frequency Analysis**
The frequency of words in the cleaned corpus was calculated.
Frequently used words that carried little to no semantic meaning were shortlisted as candidate stopwords.
4. **Manual Review and Validation**
The candidate list was manually reviewed by Turkish language experts.
Words with true semantic value were excluded, and only functionally insignificant but frequently occurring words were retained.
5. **Dataset Structuring**
The final validated list was structured in **JSON format** under the `"stopwords"` key for ease of integration into NLP pipelines.
This methodology ensures that the dataset is both statistically grounded and linguistically valid, making it highly suitable for text processing tasks in Turkish.
- Downloads last month
- 12