Update app.py

app.py

@@ -25,12 +25,24 @@ df2_links = df2["link"].values
 df3_questions = df3["question"].values
 df3_links = df3["url"].values
 
+
+import re
+
+ARABIC_STOPWORDS = {
+    'في', 'من', 'إلى', 'عن', 'مع', 'هذا', 'هذه', 'ذلك', 'تلك',
+    'التي', 'الذي', 'ما', 'لا', 'أن', 'أو', 'لكن', 'قد', 'حكم', 'قال',
+    'كان', 'كانت', 'يكون', 'تكون', 'له', 'لها', 'لهم', 'و', 'أم', 'إن'
+}
+
 def arabic_word_tokenize(text):
     if not isinstance(text, str):
         return []
-    # Remove diacritics for better matching
+    # Remove diacritics
     text = re.sub(r'[\u064B-\u065F\u0670]', '', text)
-    return re.findall(r'[\u0600-\u06FF\w]+', text.lower())
+    # Extract only Arabic words (length ≥ 2)
+    tokens = re.findall(r'[\u0600-\u06FF]{2,}', text)
+    return [t for t in tokens if t not in ARABIC_STOPWORDS]
+
 
 def compute_word_overlap(query, questions):
     query_words = set(arabic_word_tokenize(query))