词性是词汇的基本属性,通常也称为词类。词性标注是在给定的句子判断每个词的语法范畴,并加以标注的过程。在中文中,一个词的词性往往会在不同的语境中有不同的词性,但是大多是词语一般只有一到两个词性,并且其中一个词性的使用频率一般远远大于另一个词性。目前主流的词性标注方法和分词一样,将词性标注看住一个序列标注问题解决。
词性标注规范表自己去看,,,,,,,
Jieba分词的词性标注
这里使用结合规则和统计的方式,以字典匹配和HMM的方法。流程如下:
- 首先基于正则表达式进行汉字判断,表达式是re_han_internal = re.compile("([\u4E00-\u9FD5a-zA-Z0-9+#&\.-]+)")
- 若符合上述正则表达式,则判定为汉字,然后基于前缀词典构建有向无环图,再基于有向无环图计算最大概率,同时在前缀词典中找出它的词性,若在词典中未找到词性,则标注为“x”(表示为未知)。若使用HMM则使用HMM进行词性标注。
- 若不符合上面正则表达式,则继续通过正则表达式进行词性判断,标为“x”(未知)“m”(数词)“eng”(英文)
因为其方法和分词任务大概相同,所以可以将其联合起来共同实现
命名体识别
命名体识别是NLP的一项基础任务,其目的是识别语料中的人名,地名,机构名等内容,但是这些名词太多,因此一般把这些任务在词汇形态处理任务中独立处理,称为