KuzuDB 全文检索功能增强：支持自定义停用词列表

在数据库系统中，全文检索（Full Text Search）是一项至关重要的功能，它允许用户高效地搜索文本数据。KuzuDB作为一款新兴的图数据库，近期对其全文检索功能进行了重要增强，增加了对自定义停用词列表的支持，这将显著提升用户在特定场景下的搜索体验。

停用词在全文检索中的作用

停用词（Stop Words）是指在文本处理过程中被忽略的常见词汇，如英文中的"the"、"a"、"an"等。这些词汇虽然频繁出现，但对搜索结果的相关性贡献不大。传统的全文检索系统通常会内置一个默认的停用词列表，但这一预设可能无法满足所有应用场景的需求。

例如，在医疗健康领域，数字词汇如"six"、"five"可能具有特殊含义；在法律文档中，某些常见介词可能承载重要信息。KuzuDB此次的功能增强正是为了解决这类问题。

功能设计详解

KuzuDB通过扩展CREATE_FTS_INDEX函数实现了自定义停用词功能。新版本支持两种方式指定停用词：

1. 文件路径方式：支持从本地文件系统、S3存储或HTTP地址加载停用词列表
2. 数据库表方式：直接使用KuzuDB中已存在的表作为停用词源

函数调用语法示例：

CALL CREATE_FTS_INDEX('doc', 'doc_idx', ['author', 'title'], STOP_WORDS := 's3://kuzu-stopwords/english.txt')

或使用数据库表：

CALL CREATE_FTS_INDEX('doc', 'doc_idx', ['author', 'title'], STOP_WORDS := 'doc_stopwords')

技术实现要点

在底层实现上，KuzuDB采用了灵活的设计：

1. 当使用自定义停用词时，系统会创建一个内部表[table_id]_[index_name]_stopwords专门存储用户提供的停用词
2. 若未指定停用词，则继续使用默认的英文停用词表
3. 每个全文检索索引可以拥有独立的停用词列表，互不干扰

使用限制与注意事项

1. 停用词列表必须在创建索引时确定，后续无法修改
2. 索引创建后，原始停用词文件或表的变化不会影响已建立的索引
3. 系统对停用词文件的格式有严格要求（单列文本格式）
4. 支持UTF-8编码，但会拒绝无效的UTF-8数据

测试覆盖场景

为确保功能稳定性，KuzuDB团队设计了全面的测试用例，包括：

• 各种无效输入场景（错误路径、无权限访问、目录而非文件等）
• 文件格式验证（多列、空文件等特殊情况）
• 字符编码处理（包括特殊字符和无效UTF-8数据）
• 资源变更场景（文件删除、表结构修改后的行为验证）

实际应用价值

这一功能的加入使得KuzuDB的全文检索能力更加灵活强大。用户现在可以：

• 为不同领域的文档创建针对性的检索索引
• 在特定场景下保留有意义的"常见词"
• 实现多语言支持（通过提供相应语言的停用词列表）
• 优化搜索结果的相关性，减少误过滤

对于需要处理专业领域文本或非英语内容的用户来说，这一增强将显著提升他们的工作效率和搜索质量。

KuzuDB的这一改进体现了其对用户实际需求的深入理解，也为未来可能的全文检索功能扩展奠定了良好基础。随着自定义停用词功能的加入，KuzuDB在文本处理能力上又向前迈进了一步。