Part-of-speech tagging is a fundamental theme in natural language processing . It is significant to the tagging of Chinese corpus-based, machine translation and information indexing of large scale text.
词性标注是自然语言处理中的一项基础性课题，词性标注的正误对汉语语料库标注、机器翻译和大规模文本的信息检索等都有重要的意义。
参考来源 - 规则与统计相结合的兼类词处理机制The precision of POS tagging is up to 90%.
词性标注的准确率达到90%。
参考来源 - 汉语新词语发现及其词性标注方法研究Verb subdivision is similar to part of speech tagging. It subdivides verbs into more detailed classes based on the result of part of speech tagging.
动词细分类和词性标注有些类似,它是在词性标注基础上对其中的动词进行更细致的类别标注。
参考来源 - 词性标注与动词细分类研究—《电脑知识与技术》—2009年第24期—龙源期刊网This paper presents a double state based hidden Markov model in POS tagging.
本文提出了具有双重状态的隐马尔可夫词性标注模型。 汉语词性标注的困难在于确定兼类词的词性。
参考来源 - 英汉双语短语对齐·2,447,543篇论文数据，部分数据来源于NoteExpress
汉语的分词及词性标注是汉语语言处理的基础。
The Chinese words segmentation and labeling are basis of the Chinese language processing.
将这三个任务用两个模块来实现：分词和词性标注模块、句法分析模块。
We realize the three tasks with two pieces of module: the word segment and part of speech tagging module, the syntax analysis module.
系统包括初切分，词性标注、歧义字段处理、模型平滑、未登录词识别等功能模块。
The system includes some modules such as originally segmenting, POS tagging, ambiguity processing, model smoothing and Unknown Word Recognizing.
词性标注（Part-Of-Speech tagging, POS tagging）也被称为语法标注（grammatical tagging）或词类消疑（word-category disambiguation），是语料库语言学（corpus linguistics）中将语料库内单词的词性按其含义和上下文内容进行标记的文本数据处理技术。 词性标注可以由人工或特定算法完成，使用机器学习（machine learning）方法实现词性标注是自然语言处理（Natural Language Processing, NLP）的研究内容。常见的词性标注算法包括隐马尔可夫模型（Hidden Markov Model, HMM）、条件随机场（Conditional random fields, CRFs）等。 词性标注主要被应用于文本挖掘（text mining）和NLP领域，是各类基于文本的机器学习任务，例如语义分析（semantic analysis）和指代消解（coreference resolution）的预处理步骤。
应用推荐