除此之外还有什么方法能去除常用词吗？

除了使用停用词表之外，还可以使用TF-IDF（Term Frequency-Inverse Document Frequency）算法来去除常用词。TF-IDF算法是一种常用的文本相似度算法，它的核心思想是，一个词的重要性与它在文本中出现的频率成正比，与它在整个语料库中出现的频率成反比。因此，TF-IDF算法可以用来衡量一个词在文本中的重要性。

使用TF-IDF算法去除常用词的具体步骤如下：

1. 对语料库进行分词，并统计每个词在每个文档中出现的次数。
2. 计算每个词在所有文档中出现的次数（即文档频率，Document Frequency，简称DF）。
3. 计算每个词在每个文档中出现的频率（即词频，Term Frequency，简称TF）。
4. 计算每个词的TF-IDF值，即TF * log(N/DF)，其中N表示语料库中文档的总数。
5. 将TF-IDF值较低的词作为常用词，将其从分词结果中去除。

具体实现时，可以使用Python中的scikit-learn库来计算TF-IDF值。示例如下：

from sklearn.feature_extraction.text import TfidfVectorizer

# 定义语料库
corpus = [
    '这是一篇文本1',
    '这是一篇文本2',
    '这是一篇文本3',
    # ...
]

# 计算TF-IDF值
vectorizer = TfidfVectorizer(stop_words='english')  # 指定停用词表（可选）
tfidf = vectorizer.fit_transform(corpus)

# 获取词汇表和对应的TF-IDF值
words = vectorizer.get_feature_names()
tfidf_values = tfidf.toarray()

# 去除TF-IDF值较低的词
stopwords = set()
for i in range(len(corpus)):
    for j in range(len(words)):
        if tfidf_values[i][j] < 0.1:  # 根据实际情况调整阈值
            stopwords.add(words[j])
            
# 对文本进行分词，并去除常用词
text = '这是一篇需要处理的文本'
words = [word for word in jieba.cut(text) if word not in stopwords]

这段代码中，我们首先定义了一个语料库`corpus`，然后使用`TfidfVectorizer`类计算出每个词的TF-IDF值。我们将TF-IDF值小于0.1的词都加入到`stopwords`集合中，并将其作为停用词去除。最后，对文本进行分词，并去除常用词。需要注意的是，TF-IDF算法的效果取决于语料库的质量和数量，因此需要根据实际情况调整阈值和停用词表。