NLP算法-词性标注

什么是词性标注？

在自然语言分析中，机器需要模拟理解语言。为了实现这一点，自然语言处理过程中必须在一定程度上能够了解自然语言的规则。首先需要理解的是词，特别是每一个词的性质，判断它是一个名词还是一个形容词？如果它是一个动词的屈折形式，那么它的不定形式是什么，以及该屈折形式使用了什么对应的时态、人称和数？这个任务被称为词性标注。

词性标注的目标是用一个单独的标签标记每一个词，该标签表示了用法和其句法作用，比如名词、动词、形容词等。词性标注的正确与否将会直接影响到后续的句法分析、语义分析，它是中文信息处理的基础性课题之一。

常用的词性标注模型有 N 元模型、隐马尔可夫模型、最大熵模型、基于决策树的模型等。其中，隐马尔可夫模型是应用较广泛且效果较好的模型之一。

词性标注规范

词性标注需要有一定的标注规范，如将词分为名词、形容词、动词，然后用 n 、 adj 、 v 等来进行表示。中文领域中尚无统一的标注标准,较为主流的主要为北大的词性标注集和宾州词性标注集两大类。两类标注方式各有千秋，一般我们任选一种。如图下表所示，即为目前常用的词性标注规范表。

标记	词性	说明
ag	形语素	形容词性语素。形容词代码为 a ，语素代码 g 前面置以 a
a	形容词	取英语形容词 adjective 的第1个字母
ad	副形词	直接作状语的形容词。形容词代码 a 和副词代码 d 并在一起
b	区别词	取汉字“别”的声母
z	状态词	取汉字“状”的前一个字母
v	动词	取英语动词 verb 的第一个字母

Jieba 分词中的词性标注

类似 Jieba 分词的分词流程， Jieba 的词性标注同样是结合规则和统计的方式，具体为在词性标注的过程中词典匹配和 HMM 共同作用。

词性标注流程如下：

1. 首先基于正则表达式进行汉字判断；
2. 若符合汉字正则表达式，则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路径，同时在前缀词典中找出它所分出的词性，若在词典中未找到，则赋予词性为 x (代表未知)。当然，若在这个过程中，设置使用 HMM ，且待标注词为未登录词，则会通过 HMM 方式进行词性标注；
3. 若不符合上面的正则表达式，那么将继续通过正则表达式进行类型判断，分别赋予 x 、 m (数词)和 eng (英文)。

示例：

import jieba.posseg as pseg
words = pseg.cut("我爱北京天安门") # 进行分词
for word, flag in words:
  print('%s %s' % (word, flag))

对应输出为：

我 r
爱 v
北京 ns
天安门 ns

测试说明

测试输入：
还有什么是比jieba更好的中文分词工具呢？

预期输出：
还有/v 什么/r 是/v 比/p jieba/eng 更好/d 的/uj 中文/nz 分词/n 工具/n 呢/y ？/x

demo

import jieba.posseg as psg
text=input()
#任务：使用jieba模块的函数对text完成词性标注并将结果存储到result变量中

words = list(psg.cut(text))
result = ''
for word, flag in words:
    result += word + '/' + flag + ' '

print(result)