自然语言处理之词性标注集

词性标注(Part-of-Speech tagging 或POS tagging),又称词类标注或者简称标注,是指为 分词结果中的每个单词标注一个正确的词性的程序,也即确定每个词是名词、动词、形容词或其他词性的过程。词主要可以分为以下2类:

  • 实词:名词、动词、形容词、状态词、区别词、数词、量词、代词
  • 虚词:副词、介词、连词、助词、拟声词、叹词。

这篇文章梳理的不是如何进行词性标注,而是介绍一些常用的词性标注集。

《PFR人民日报标注语料库》词性编码表

PFR语料库是对人民日报1998年上半年的纯文本语料进行了词语切分和词性标注制作而成的,严格按照人民日报的日期、版序、文章顺序编排的。文章中的每个词语都带有词性标记。目前的标记集里有26个基本词类标记(名词n、时间词t、处所词s、方位词f、数词m、量词q、区别词b、代词r、动词v、形容词a、状态词z、副词d、介词p、连词c、助词u、语气词y、叹词e、拟声词o、成语i、习惯用语l、简称j、前接成分h、后接成分k、语素g、非语素字x、标点符号w)外,从语料库应用的角度,增加了专有名词(人名nr、地名ns、机构名称nt、其他专有名词nz);从语言学角度也增加了一些标记,总共使用了40多个个标记。

代码 名称 举例
a 形容词 最/d 大/a 的/u
ad 副形词 一定/d 能够/v 顺利/ad 实现/v 。/w
ag 形语素 喜/v 煞/ag 人/n
an 名形词 人民/n 的/u 根本/a 利益/n 和/c 国家/n 的/u 安稳/an 。/w
b 区别词 副/b 书记/n 王/nr 思齐/nr
c 连词 全军/n 和/c 武警/n 先进/a 典型/n 代表/n
d 副词 两侧/f 台柱/n 上/ 分别/d 雄踞/v 着/u
dg 副语素 用/v 不/d 甚/dg 流利/a 的/u 中文/nz 主持/v 节目/n 。/w
e 叹词 嗬/e !/w
f 方位词 从/p 一/m 大/a 堆/q 档案/n 中/f 发现/v 了/u
g 语素 例如dg 或ag
h 前接成分 目前/t 各种/r 非/h 合作制/n 的/u 农产品/n
i 成语 提高/v 农民/n 讨价还价/i 的/u 能力/n 。/w
j 简称略语 民主/ad 选举/v 村委会/j 的/u 工作/vn
k 后接成分 权责/n 明确/a 的/u 逐级/d 授权/v 制/k
l 习用语 是/v 建立/v 社会主义/n 市场经济/n 体制/n 的/u 重要/a 组成部分/l 。/w
m 数词 科学技术/n 是/v 第一/m 生产力/n
n 名词 希望/v 双方/n 在/p 市政/n 规划/vn
ng 名语素 就此/d 分析/v 时/Ng 认为/v
nr 人名 建设部/nt 部长/n 侯/nr 捷/nr
ns 地名 北京/ns 经济/n 运行/vn 态势/n 喜人/a
nt 机构团体 [冶金/n 工业部/n 洛阳/ns 耐火材料/l 研究院/n]nt
nx 字母专名 ATM/nx 交换机/n
nz 其他专名 德士古/nz 公司/n
o 拟声词 汩汩/o 地/u 流/v 出来/v
p 介词 往/p 基层/n 跑/v 。/w
q 量词 不止/v 一/m 次/q 地/u 听到/v ,/w
r 代词 有些/r 部门/n
s 处所词 移居/v 海外/s 。/w
t 时间词 当前/t 经济/n 社会/n 情况/n
tg 时语素 秋/Tg 冬/tg 连/d 旱/a
u 助词 工作/vn 的/u 政策/n
ud 结构助词 有/v 心/n 栽/v 得/ud 梧桐树/n
ug 时态助词 你/r 想/v 过/ug 没有/v
uj 结构助词的 迈向/v 充满/v 希望/n 的/uj 新/a 世纪/n
ul 时态助词了 完成/v 了/ ul
uv 结构助词地 满怀信心/l 地/uv 开创/v 新/a 的/u 业绩/n
uz 时态助词着 眼看/v 着/uz
v 动词 举行/v 老/a 干部/n 迎春/vn 团拜会/n
vd 副动词 强调/vd 指出/v
vg 动语素 做好/v 尊/vg 干/j 爱/v 兵/n 工作/vn
vn 名动词 股份制/n 这种/r 企业/n 组织/vn 形式/n ,/w
w 标点符号 生产/v 的/u 5G/nx 、/w 8G/nx 型/k 燃气/n 热水器/n
x 非语素字
y 语气词 已经/d 30/m 多/m 年/q 了/y 。/w
z 状态词 势头/n 依然/z 强劲/a ;/w

《现代汉语语料库加工规范——词语切分与词性标注》词性标记

代码 代码名称 帮助记忆的诠释 例子 及 注解
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。 绿色/n  似/d  锦/Ag ,
a 形容词 取英语形容词adjective的第1个字母 [重要/a  步伐/n]NP  ,

美丽/a  ,

看似/v  抽象/a  ,

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。 [积极/ad  谋求/v]V-ZZ  ,

幻象/n  易/ad  逝/Vg  ,

an 名形词 具有名词功能的形容词。形容词代码a和名词代码n并在一起。 [外交/n  和/c  安全/an]NP-BL  ,
Bg 区别语素 区别词性语素。区别词代码为b,语素代码g前面置以B。 赤/Ag  橙/Bg  黄/a  绿/a  青/a  蓝/a  紫/a  ,
b 区别词 取汉字“别”的声母。 女/b 司机/n,  金/b 手镯/n,  慢性/b 胃炎/n, 古/b 钱币/n,                 副/b 主任/n,  总/b 公司/n

单音节区别词和单音节名词或名语素组合,作为一个词,并标以名词词性n。

雄鸡/n, 雌象/n, 女魔/n, 古币/n

少数“单音节区别词+双音节词”的结构作为一个词。

总书记/n ,

c 连词 取英语连词conjunction的第1个字母。 合作/vn  与/c  伙伴/n
Dg 副语素 副词性语素。副词代码为d,语素代码g前面置以D。 了解/v  甚/Dg  深/a  ,

煞/Dg  是/v  喜人/a  ,

d 副词 取adverb的第2个字母,因其第1个字母已用于形容词。 进一步/d  发展/v  ,
e 叹词 取英语叹词exclamation的第1个字母。 啊/e  ,/w  那/r  金灿灿/z  的/u  麦穗/n  ,
f 方位词 取汉字“方”。 军人/n  的/u  眼睛/n  里/f  不/d  是/v  没有/v  风景/n  ,
h 前接成分 取英语head的第1个字母。 许多/m  非/h  主角/n  人物/n  ,

办事处/n  的/u  “/w  准/h  政府/n  ”/w  功能/n  不断/d  加强/v  ,

i 成语 取英语成语idiom的第1个字母。 一言一行/i  ,

义无反顾/i  ,

j 简称略语 取汉字“简”的声母。 [德/j  外长/n]NP  ,

文教/j  ,

k 后接成分 后接成分。 少年儿童/l  朋友/n  们/k  ,

身体/n  健康/a  者/k  ,

l 习用语 习用语尚未成为成语,有点“临时性”,取“临”的声母。 少年儿童/l  朋友/n  们/k  ,

落到实处/l  ,

Mg 数语素 数词性语素。数词代码为m,语素代码g前面置以M。 甲/Mg  减下/v  的/u  人/n  让/v  乙/Mg  背上/v  ,

凡/d  “/w  寅/Mg  年/n  ”/w  中/f  出生/v  的/u  人/n  生肖/n  都/d  属/v  虎/n  ,

m 数词 取英语numeral的第3个字母,n,u已有他用。 1.数量词组应切分为数词和量词。       三/m 个/q,    10/m  公斤/q,    一/m  盒/q  点心/n  ,

但少数数量词已是词典的登录单位,则不再切分。

一个/m  ,   一些/m  ,

2. 基数、序数、小数、分数、百分数一律不予切分,为一个切分单位,标注为 m 。

一百二十三/m,20万/m,  123.54/m,  一个/m,   第一/m, 第三十五/m,   20%/m,  三分之二/m, 千分之三十/m,  几十/m 人/n, 十几万/m 元/q,  第一百零一/m 个/q  ,

3. 约数,前加副词、形容词或后加“来、多、左右”等助数词的应予分开。

约/d 一百/m 多/m 万/m,仅/d 一百/m 个/q, 四十/m 来/m 个/q,二十/m 余/m 只/q, 十几/m 个/q,三十/m 左右/m  ,

两个数词相连的及“成百”、“上千”等则不予切分。

五六/m 年/q, 七八/m 天/q,十七八/m  岁/q,  成百/m 学生/n,上千/m  人/n,

4.表序关系的“数+名”结构,应予切分。

二/m  连/n , 三/m  部/n  ,

Ng 名语素 名词性语素。名词代码为n,语素代码g前面置以N。 出/v 过/u 两/m 天/q 差/Ng,

理/v 了/u 一/m 次/q 发/Ng,

 

n 名词 取英语名词noun的第1个字母。 (参见 动词–v)

岗位/n  ,  城市/n  ,  机会/n  ,

她/r  是/v  责任/n  编辑/n  ,
( 编辑/v  科技/n  文献/n )

 

 

nr 人名 名词代码n和“人(ren)”的声母并在一起。 1. 汉族人及与汉族起名方式相同的非汉族人的姓和名单独切分,并分别标注为nr。

张/nr 仁伟/nr,  欧阳/nr 修/nr,  阮/nr 志雄/nr,  朴/nr 贞爱/nr

汉族人除有单姓和复姓外,还有双姓,即有的女子出嫁后,在原来的姓上加上丈夫的姓。如:陈方安生。这种情况切分、标注为:陈/nr  方/nr  安生/nr;唐姜氏,切分、标注为:唐/nr  姜氏/nr。

2. 姓名后的职务、职称或称呼要分开。

江/nr 主席/n,  小平/nr 同志/n,   江/nr 总书记/n,张/nr 教授/n,   王/nr 部长/n,     陈/nr 老总/n,               李/nr 大娘/n,   刘/nr 阿姨/n,    龙/nr 姑姑/n

3. 对人的简称、尊称等若为两个字,则合为一个切分单位,并标以nr。

老张/nr, 大李/nr, 小郝/nr,   郭老/nr,  陈总/nr

4. 明显带排行的亲属称谓要切分开,分不清楚的则不切开。

三/m 哥/n,   大婶/n,    大/a 女儿/n,  大哥/n,  小弟/n,   老爸/n

5. 一些著名作者的或不易区分姓和名的笔名通常作为一个切分单位。

鲁迅/nr,  茅盾/nr,  巴金/nr, 三毛/nr,  琼瑶/nr,  白桦/nr

6. 外国人或少数民族的译名(包括日本人的姓名)不予切分,标注为nr。

克林顿/nr,  叶利钦/nr, 才旦卓玛/nr, 小林多喜二/nr, 北研二/nr,

华盛顿/nr,  爱因斯坦/nr

有些西方人的姓名中有小圆点,也不分开。

卡尔·马克思/nr

 

ns 地名 名词代码n和处所词代码s并在一起。 (参见2。短语标记说明–NS)

安徽/ns,深圳/ns,杭州/ns,拉萨/ns,哈尔滨/ns,  呼和浩特/ns,          乌鲁木齐/ns,长江/ns,黄海/ns,太平洋/ns, 泰山/ns, 华山/ns,亚洲/ns,    海南岛/ns,太湖/ns,白洋淀/ns,  俄罗斯/ns,哈萨克斯坦/ns,彼得堡/ns,   伏尔加格勒/ns

 

1. 国名不论长短,作为一个切分单位。

中国/ns, 中华人民共和国/ns, 日本国/ns,  美利坚合众国/ns, 美国/ns

2. 地名后有“省”、“市”、“县”、“区”、“乡”、“镇”、“村”、“旗”、“州”、“都”、“府”、“道”等单字的行政区划名称时,不切分开,作为一个切分单位。

四川省/ns, 天津市/ns,景德镇/ns沙市市/ns, 牡丹江市/ns,正定县/ns,海淀区/ns,  通州区/ns,东升乡/ns,  双桥镇/ns  南化村/ns,华盛顿州/ns,俄亥俄州/ns,东京都/ns, 大阪府/ns,北海道/ns, 长野县/ns,开封府/ns,宣城县/ns

3. 地名后的行政区划有两个以上的汉字,则将地名同行政区划名称切开,不过要将地名同行政区划名称用方括号括起来,并标以短语NS。

[芜湖/ns 专区/n] NS,

[宣城/ns 地区/n]ns,

[内蒙古/ns 自治区/n]NS,

[深圳/ns 特区/n]NS,

[厦门/ns 经济/n 特区/n]NS,

[香港/ns 特别/a  行政区/n]NS,

[香港/ns 特区/n]NS,

[华盛顿/ns  特区/n]NS,

4. 地名后有表示地形地貌的一个字的普通名词,如“江、河、山、洋、海、岛、峰、湖”等,不予切分。

鸭绿江/ns,亚马逊河/ns, 喜马拉雅山/ns, 珠穆朗玛峰/ns,地中海/ns,大西洋/ns,洞庭湖/ns, 塞普路斯岛/ns

5. 地名后接的表示地形地貌的普通名词若有两个以上汉字,则应切开。然后将地名同该普通名词标成短语NS。

[台湾/ns 海峡/n]NS,[华北/ns 平原/n]NS,[帕米尔/ns 高原/n]NS,           [南沙/ns 群岛/n]NS,[京东/ns 大/a 峡谷/n]NS  [横断/b 山脉/n]NS

6.地名后有表示自然区划的一个字的普通名词,如“ 街,路,道,巷,里,町,庄,村,弄,堡”等,不予切分。

中关村/ns,长安街/ns,学院路/ns,  景德镇/ns, 吴家堡/ns, 庞各庄/ns,  三元里/ns,彼得堡/ns, 北菜市巷/ns,

7.地名后接的表示自然区划的普通名词若有两个以上汉字,则应切开。然后将地名同自然区划名词标成短语NS。

[米市/ns 大街/n]NS, [蒋家/nz 胡同/n]NS  , [陶然亭/ns 公园/n]NS  ,

8. 大小地名相连时的标注方式为:

北京市/ns 海淀区/ns 海淀镇/ns [南/f 大街/n]NS [蒋家/nz 胡同/n]NS 24/m 号/q  ,

nt 机构团体 “团”的声母为t,名词代码n和t并在一起。 (参见2。短语标记说明–NT)

联合国/nt,中共中央/nt,国务院/nt,  北京大学/nt

1.大多数团体、机构、组织的专有名称一般是短语型的,较长,且含有地名或人名等专名,再组合,标注为短语NT。

[中国/ns 计算机/n 学会/n]NT,

[香港/ns 钟表业/n 总会/n]NT,

[烟台/ns 大学/n]NT,

[香港/ns  理工大学/n]NT,

[华东/ns  理工大学/n]NT,

[合肥/ns 师范/n 学院/n]NT,

[北京/ns 图书馆/n]NT,

[富士通/nz 株式会社/n]NT,

[香山/ns 植物园/n]NT,

[安娜/nz 美容院/n]NT,

[上海/ns 手表/n 厂/n]NT,

[永和/nz 烧饼铺/n]NT,

[北京/ns 国安/nz 队/n]NT,

2. 对于在国际或中国范围内的知名的唯一的团体、机构、组织的名称即使前面没有专名,也标为nt或NT。

联合国/nt,国务院/nt,外交部/nt,  财政部/nt,教育部/nt, 国防部/nt,

[世界/n 贸易/n 组织/n]NT,

[国家/n 教育/vn 委员会/n]NT,

[信息/n 产业/n 部/n]NT,

[全国/n 信息/n 技术/n 标准化/vn 委员会/n]NT,

[全国/n 总/b 工会/n]NT,

[全国/n 人民/n 代表/n 大会/n]NT,

美国的“国务院”,其他国家的“外交部、财政部、教育部”,必须在其所属国的国名之后出现时,才联合标注为NT。

[美国/ns 国务院/n]NT,

[法国/ns 外交部/n]NT,

[美/j 国会/n]NT,

日本有些政府机构名称很特别,无论是否出现在“日本”国名之后都标为nt。

[日本/ns 外务省/nt]NT,

[日/j 通产省/nt]NT

通产省/nt

3. 前后相连有上下位关系的团体机构组织名称的处理方式如下:

[联合国/nt  教科文/j  组织/n]NT, [中国/ns  银行/n  北京/ns  分行/n]NT,

[河北省/ns  正定县/ns  西平乐乡/ns  南化村/ns  党支部/n]NT,

当下位名称含有专名(如“北京/ns 分行/n”、“南化村/ns 党支部/n”、“昌平/ns 分校/n”)时,也可脱离前面的上位名称单独标注为NT。

[中国/ns 银行/n]NT  [北京/ns 分行/n]NT,

北京大学/nt  [昌平/ns  分校/n]NT,4. 团体、机构、组织名称中用圆括号加注简称时:

[宝山/ns  钢铁/n (/w 宝钢/j )/w  总/b  公司/n]NT,

[宝山/ns  钢铁/n  总/b  公司/n]NT,(/w 宝钢/j )/w

 

nx 外文字符 外文字符。 A/nx  公司/n ,B/nx  先生/n  ,X/nx  君/Ng  ,

24/m  K/nx  镀金/n ,

C/nx  是/v  光速/n ,

Windows98/nx ,

PentiumIV/nx ,

I LOVE THIS GAME/nx  ,

nz 其他专名 “专”的声母的第1个字母为z,名词代码n和z并在一起。 (参见2。短语标记说明–NZ)

除人名、国名、地名、团体、机构、组织以外的其他专有名词都标以nz。

满族/nz,俄罗斯族/nz,汉语/nz,罗马利亚语/nz, 捷克语/nz,中文/nz,  英文/nz, 满人/nz, 哈萨克人/nz, 诺贝尔奖/nz, 茅盾奖/nz,

1.包含专有名称(或简称)的交通线,标以nz;短语型的,标为NZ。

津浦路/nz, 石太线/nz,

[京/j  九/j  铁路/n]NZ,

[京/j  津/j  高速/b  公路/n]NZ,

2. 历史上重要事件、运动等专有名称一般是短语型的,按短语型专有名称处理,标以NZ。

[卢沟桥/ns  事件/n]NZ, [西安/ns  事变/n]NZ,[五四/t  运动/n]NZ,  [明治/nz  维新/n]NZ,[甲午/t  战争/n]NZ,

3.专有名称后接多音节的名词,如“语言”、“文学”、“文化”、“方式”、“精神”等,失去专指性,则应分开。

欧洲/ns  语言/n,  法国/ns  文学/n,  西方/ns  文化/n, 贝多芬/nr  交响乐/n,  雷锋/nr  精神/n,  美国/ns  方式/n,日本/ns  料理/n,  宋朝/t  古董/n

4. 商标(包括专名及后接的“牌”、“型”等)是专指的,标以nz,但其后所接的商品仍标以普通名词n。

康师傅/nr  方便面/n,  中华牌/nz 香烟/n,  牡丹III型/nz  电视机/n,  联想/nz  电脑/n,  鳄鱼/nz  衬衣/n,  耐克/nz  鞋/n

5. 以序号命名的名称一般不认为是专有名称。

2/m  号/q  国道/n ,十一/m  届/q  三中全会/j

如果前面有专名,合起来作为短语型专名。

[中国/ns  101/m  国道/n]NZ, [中共/j  十一/m  届/q  三中全会/j]NZ,

6. 书、报、杂志、文档、报告、协议、合同等的名称通常有书名号加以标识,不作为专有名词。由于这些名字往往较长,名字本身按常规处理。

《/w  宁波/ns  日报/n  》/w ,《/w  鲁迅/nr  全集/n  》/w,

中华/nz  读书/vn  报/n,       杜甫/nr  诗选/n,

少数书名、报刊名等专有名称,则不切分。红楼梦/nz, 人民日报/nz,儒林外史/nz

7. 当有些专名无法分辨它们是人名还是地名或机构名时,暂标以nz。

[巴黎/ns  贝尔希/nz   体育馆/n]NT,

其中“贝尔希”只好暂标为nz。

 

o 拟声词 取英语拟声词onomatopoeia的第1个字母。 哈哈/o  一/m  笑/v ,

装载机/n  隆隆/o  推进/v  ,

p 介词 取英语介词prepositional的第1个字母。 对/p  子孙后代/n  负责/v  ,

以/p  煤/n  养/v  农/Ng  ,

为/p  治理/v  荒山/n  服务/v  ,

把/p  青年/n  推/v  上/v  了/u  领导/vn  岗位/n ,

q 量词 取英语quantity的第1个字母。 (参见数词m)

首/m  批/q  ,

一/m  年/q  ,

Rg 代语素 代词性语素。代词代码为r,在语素的代码g前面置以R。 读者/n  就/d  是/v  这/r  两/m  棵/q  小树/n  扎根/v  于/p  斯/Rg  、/w  成长/v  于/p  斯/Rg  的/u  肥田/n  沃土/n  ,
r 代词 取英语代词pronoun的第2个字母,因p已用于介词。 单音节代词“本”、“每”、“各”、“诸”后接单音节名词时,和后接的单音节名词合为代词;当后接双音节名词时,应予切分。

本报/r,  每人/r,  本社/r,

本/r 地区/n,

各/r 部门/n

 

s 处所词 取英语space的第1个字母。 家里/s  的/u  电脑/n  都/d  联通/v  了/u  国际/n  互联网/n  ,

西部/s  交通/n  咽喉/n  ,

Tg 时语素 时间词性语素。时间词代码为t,在语素的代码g前面置以T。 3日/t  晚/Tg  在/p  总统府/n  发表/v  声明/n  ,

尊重/v  现/Tg  执政/vn  当局/n  的/u  权威/n  ,

t 时间词 取英语time的第1个字母。 1. 年月日时分秒,按年、月、日、时、分、秒切分,标注为t 。

1997年/t  3月/t  19日/t  下午/t  2时/t  18分/t

若数字后无表示时间的“年、月、日、时、分、秒”等的标为数词m。

1998/m  中文/n  信息/n  处理/vn  国际/n  会议/n

2. 历史朝代的名称虽然有专有名词的性质,仍标注为t。

西周/t,  秦朝/t, 东汉/t,  南北朝/t,  清代/t

“牛年、虎年”等一律不予切分,标注为:

牛年/t, 虎年/t,  甲午年/t,  甲午/t 战争/n,  庚子/t  赔款/n,   戊戌/t 变法/n

u 助词 取英语助词auxiliary。 [[俄罗斯/ns  和/c  北约/j]NP-BL  之间/f  [战略/n  伙伴/n  关系/n]NP  的/u  建立/vn]NP  填平/v  了/u  [[欧洲/ns  安全/a  政治/n]NP  的/u  鸿沟/n]NP
Vg 动语素 动词性语素。动词代码为v。在语素的代码g前面置以V。 洗/v 了/u 一个/m 舒舒服服/z 的/u 澡/Vg

 

v 动词 取英语动词verb的第一个字母。 (参见 名词–n)

[[[欧盟/j  扩大/v]S  的/u  [历史性/n  决定/n]NP]NP  和/c  [北约/j  开放/v]S]NP-BL  [为/p  [创建/v  [一/m  种/q  新/a  的/u  欧洲/ns  安全/a  格局/n]NP]VP-SBI]PP-MD  [奠定/v  了/u  基础/n]V-SBI  ,

,
编辑/v  科技/n  文献/n , (她/r  是/v  责任/n  编辑/n  )

 

vd 副动词 直接作状语的动词。动词和副词的代码并在一起。 形势/n  会/v  持续/vd  好转/v  ,

认为/v  是/v  电话局/n  收/v  错/vd  了/u  费/n  ,

vn 名动词 指具有名词功能的动词。动词和名词的代码并在一起。 引起/v  人们/n  的/u  关注/vn  和/c  思考/vn  ,

收费/vn  电话/n  的/u  号码/n  ,

w 标点符号 ”/w

:/w

x 非语素字 非语素字只是一个符号,字母x通常用于代表未知数、符号。
Yg 语气语素 语气词性语素。语气词代码为y。在语素的代码g前面置以Y。 唯/d  大力/d  者/k  能/v  致/v  之/u  耳/Yg
y 语气词 取汉字“语”的声母。 会/v  泄露/v  用户/n  隐私/n  吗/y  ,

又/d  何在/v  呢/y  ?

z 状态词 取汉字“状”的声母的前一个字母。 取得/v  扎扎实实/z  的/u  突破性/n  进展/vn  ,

四季/n  常青/z  的/u  热带/n  树木/n  ,

短短/z  几/m  年/q  间,

计算所 ICTCLAS 3.0汉语词性标记集

计算所汉语词性标记集(共计99个,22个一类,66个二类,11个三类)主要参考了以下词性标记集:

  • 北大《人民日报》语料库词性标记集
  • 北大2002新版词性标记集(草稿)
  • 清华大学汉语树库词性标记集
  • 教育部语用所词性标记集(国家推荐标准草案2002版)
  • 美国宾州大学中文树库(Chinese Penn Tree Bank)词性标记集

由于中科院计算所的汉语词法分析器主要采用北大《人民日报》语料库进行参数训练,因此本词性标记集主要以北大《人民日报》语料库的词性标记集为蓝本,并参考了北大《汉语语法信息词典》中给出的汉语词的语法信息。

形容词(1个一类,4个二类)

  • a 形容词
    • ad 副形词
    • an 名形词
    • ag 形容词性语素
    • al 形容词性惯用语

区别词(1个一类,2个二类)

  • b 区别词
    • bl 区别词性惯用语

连词(1个一类,1个二类)

  • c 连词
    • cc 并列连词

副词(1个一类)

  • d 副词

叹词(1个一类)

  • e 叹词

方位词(1个一类)

  • f 方位词

前缀(1个一类)

  • h 前缀

后缀(1个一类)

  • k 后缀

数词(1个一类,1个二类)

  • m 数词
    • mq 数量词

名词 (1个一类,7个二类,5个三类)

名词分为以下子类:

  • n 名词
    • nr 人名
      • nr1 汉语姓氏
      • nr2 汉语名字
      • nrj 日语人名
      • nrf 音译人名
    • ns 地名
      • nsf 音译地名
    • nt 机构团体名
    • nz 其它专名
    • nl 名词性惯用语
    • ng 名词性语素

拟声词(1个一类)

  • o 拟声词

介词(1个一类,2个二类)

  • p 介词
    • pba 介词“把”
    • pbei 介词“被”

量词(1个一类,2个二类)

  • q 量词
    • qv 动量词
    • qt 时量词

代词(1个一类,4个二类,6个三类)

  • r 代词
    • rr 人称代词
    • rz 指示代词
      • rzt 时间指示代词
      • rzs 处所指示代词
      • rzv 谓词性指示代词
    • ry 疑问代词
      • ryt 时间疑问代词
      • rys 处所疑问代词
      • ryv 谓词性疑问代词
    • rg 代词性语素

处所词(1个一类)

  • s 处所词

时间词(1个一类,1个二类)

  • t 时间词
    • tg 时间词性语素

助词(1个一类,15个二类)

  • u 助词
    • uzhe 着
    • ule 了 喽
    • uguo 过
    • ude1 的 底
    • ude2 地
    • ude3 得
    • usuo 所
    • udeng 等 等等 云云
    • uyy 一样 一般 似的 般
    • udh 的话
    • uls 来讲 来说 而言 说来
    • uzhi 之
    • ulian 连 (“连小学生都会”)

动词(1个一类,9个二类)

  • v 动词
    • vd 副动词
    • vn 名动词
    • vshi 动词“是”
    • vyou 动词“有”
    • vf 趋向动词
    • vx 形式动词
    • vi 不及物动词(内动词)
    • vl 动词性惯用语
    • vg 动词性语素

标点符号(1个一类,16个二类)

  • w 标点符号
    • wkz 左括号,全角:( 〔 [  {  《 【  〖 〈   半角:( [ { <
    • wky 右括号,全角:) 〕 ] } 》  】 〗 〉 半角: ) ] { >
    • wyz 左引号,全角:“ ‘ 『
    • wyy 右引号,全角:” ’ 』
    • wj 句号,全角:。
    • ww 问号,全角:? 半角:?
    • wt 叹号,全角:! 半角:!
    • wd 逗号,全角:, 半角:,
    • wf 分号,全角:; 半角: ;
    • wn 顿号,全角:、
    • wm 冒号,全角:: 半角: :
    • ws 省略号,全角:…… …
    • wp 破折号,全角:—— --   ——-   半角:—  —-
    • wb 百分号千分号,全角:% ‰ 半角:%
    • wh 单位符号,全角:¥ $ £ °  ℃  半角:$

字符串(1个一类,2个二类)

  • x 字符串
    • xx 非语素字
    • xu 网址URL

语气词(1个一类)

  • y 语气词(delete yg)

状态词(1个一类)

  • z 状态词

HanLP词性标注集

HanLP使用的HMM词性标注模型训练自2014年人民日报切分语料,随后增加了少量98年人民日报中独有的词语。所以,HanLP词性标注集兼容《ICTPOS3.0汉语词性标记集》,并且兼容《现代汉语语料库加工规范——词语切分与词性标注》。

  • a 形容词
    • ad 副形词
    • ag 形容词性语素
    • al 形容词性惯用语
    • an名形词
  • b区别词
    • begin 仅用于始##始
    • bg 区别语素
    • bl 区别词性惯用语
  • c 连词
    • cc 并列连词
  • d 副词
    • dg 辄,俱,复之类的副词
    • dl 连语
  • e 叹词
    • end 仅用于终##终
  • f 方位词
  • g 学术词汇
    • gb 生物相关词汇
      • gbc 生物类别
    • gc 化学相关词汇
    • gg 地理地质相关词汇
    • gi 计算机相关词汇
    • gm 数学相关词汇
    • gp 物理相关词汇
  • h 前缀
  • i 成语
  • j 简称略语
  • k 后缀
  • l 习用语
  • m 数词
    • mg 数语素,Mg 甲乙丙丁之类的数词
    • mq数量词
  • n 名词
    • nb 生物名
      • nba 动物名
      • nbc 动物纲目
      • nbp 植物名
    • nf 食品,比如“薯片”
    • ng 名词性语素
    • nh 医药疾病等健康相关名词
      • nhd 疾病
      • nhm 药品
    • ni 机构相关(不是独立机构名)
      • nic 下属机构
      • nis 机构后缀
      • nit 教育相关机构
    • nl 名词性惯用语
    • nm 物品名
      • nmc 化学品名
    • nn 工作相关名词
      • nnd 职业
      • nnt 职务职称
    • nr人名
      • nr1 复姓
      • nr2 蒙古姓名
      • nrf 音译人名
      • nrj 日语人名
    • ns 地名
      • nsf 音译地名
    • nt 机构团体名
      • ntc公司名
      • ntcb 银行
      • ntcf 工厂
      • ntch 酒店宾馆
      • nth 医院
      • nto 政府机构
      • nts 中小学
      • ntu大学
    • nx 字母专名
    • nz 其他专名
  • o 拟声词
  • p 介词
    • pba 介词“把”
    • pbei 介词“被”
  • q 量词
    • qg 量词语素
    • qt 时量词
    • qv 动量词
  • r 代词
    • rg 代词性语素
    • Rg 古汉语代词性语素
    • rr 人称代词
    • ry 疑问代词
      • rys 处所疑问代词
      • ryt 时间疑问代词
      • ryv 谓词性疑问代词
    • rz 指示代词
      • rzs 处所指示代词
      • rzt 时间指示代词
      • rzv 谓词性指示代词
    • s 处所词
    • t 时间词
      • tg 时间词性语素
    • u 助词
      • ud 助词
        • ude1 的 底
        • ude2 地
        • ude3 得
        • udeng 等 等等 云云
        • udh 的话
      • ug 过
        • uguo 过
      • uj 助词
      • ul 连词
        • ule 了 喽
        • ulian 连 (“连小学生都会”)
        • uls 来讲 来说 而言 说来
      • usuo 所
      • uv 连词
      • uyy 一样 一般 似的 般
      • uz 着
        • uzhe 着
        • uzhi 之
      • v 动词
        • vd 副动词
        • vf 趋向动词
        • vg 动词性语素
        • vi 不及物动词(内动词)
        • vl 动词性惯用语
        • vn 名动词
        • vshi 动词“是”
        • vx 形式动词
        • vyou 动词“有”
      • w 标点符号
        • wb 百分号千分号,全角:% ‰ 半角:%
        • wd 逗号,全角:, 半角:,
        • wf 分号,全角:; 半角: ;
        • wh 单位符号,全角:¥ $ £ °  ℃  半角:$
        • wj 句号,全角:。
        • wky 右括号,全角:) 〕 ] } 》  】 〗 〉 半角: ) ] { >
        • wkz 左括号,全角:( 〔 [  {  《 【  〖 〈   半角:( [ { <
        • wm 冒号,全角:: 半角: :
        • wn 顿号,全角:、
        • wp 破折号,全角:—— --   ——-   半角:—  —-
        • ws 省略号,全角:…… …
        • wt 叹号,全角:!
        • ww 问号,全角:?
        • wyy 右引号,全角:” ’ 』
        • wyz 左引号,全角:“ ‘ 『
      • x 字符串
        • xu 网址URL
        • xx 非语素字
      • y 语气词(delete yg)
        • yg 语气语素
      • z 状态词
        • zg 状态词

BosonNLP词性标注

BosonNLP词性标注集是基于《北京大学现代汉语语料库基本加工规范》和《计算所汉语词性标记集》修改得到的。 与最初《北京大学现代汉语语料库基本加工规范》相比,主要修改有:

  • 姓名和起来标”nr”,只有姓单独出现的时候标”nr1”,如“张/nr1 教授/n”
  • 短语型的地名、团体机构名称及其他专有名称只进行最小粒度的划分,不需要再合并标注。
  • 去掉了各种语素,“Ng”,“Ag”等都标回“n”,“a”等。
  • 去掉“i”(成语俗语)和“l”(惯用语)标签,改成“nl”、“al”、“bl”等各种词性的惯用语标签
  • 去掉标签“j”(缩略词),将其标回原来的词性
  • 依据《计算所汉语词性标记集》的标准对一些标签进行细分
  • 增加标签“vi”(不及物动词)

共22个大类,70个标签

名词

  • n 名词
    • nr 人名(包括”@XXX”),姓名整体标注,如“李某某”、“李××”也标为nr
      • nr1 中文姓氏,如果单出现姓氏,标为nr1,姓名一起出现的,合起来标nr
      • nrf 音译人名,如“奥巴马”,“布拉德・皮特”
    • ns 地名,如“中国”,“上海市”,“江浙”
    • nt 组织机构名,如“中国队”,“央行”
    • nz 其它专有名词,如“银联”,“腾讯”
    • nl 名词性惯用语,如“豪言壮语”,“亲朋好友”

时间词

  • t 时间词,如“1988年”,”3月”

处所词

  • s 处所词,如“国内”,“市区”

方位词

  • f 方位词,如“上”,“下”,“前面”,“后面”

动词

  • v 动词
    • vd 副动词,如“持续/vd 提供/v”,“优先/vd 安排/v”
    • vshi 动词“是”
    • vyou 动词“有”
    • vi 不及物动词,如“运营”,“点球”
    • vl 动词性惯用语,如“远走高飞”,“相依为命”

形容词

  • a 形容词
    • ad 副形词,如“经过/p 谨慎/ad 筛选/v”
    • an 名形词,如“虽然/c 困难/an 很多/m”
    • al 形容词性惯用语,如“拥挤不堪”,“难能可贵”

区别词

  • b 区别词,如“原来”,“所有”
    • bl 区别词性惯用语,如“至关重要”,“光天化日”

状态词

  • z 状态词,如“依旧”,“一头雾水”

代词

  • r 代词,“我”,“这”,“谁”

数字

  • m 数词

量词

  • q 量词

副词

  • d 副词,如“更”,“非常”
    • dl 副词性惯用语,如“对了”,“万万”

介词

  • p 介词
    • pba 介词“把”
    • pbei 介词“被”

连词

  • c 连词,如“和”,“与”,“及”

助词

  • u 助词
    • uzhe 助词“着”
    • ule 助词“了”
    • uguo 助词“过”
    • ude 助词“的”、“地”、“得”
    • usuo 助词“所”
    • udeng 助词“等”、“等等”
    • uyy 助词“一样”、“似的”
    • udh 助词“的话”
    • uzhi 助词“之”
    • ulian 助词“连”

语气词

  • y 语气词,将原来的叹词也合并到语气词里面

拟声词

  • o 拟声词

前缀

  • h 前缀,如“非/h 正常/a”

19 后缀

  • k 后缀,如“孩子/n 们/k”,“隐藏/v 式/k”

字符串

  • nx 字符串,url和其他特殊字符除外

标点符号

  • w 标点符号
    • wkz 左括号,全角:( 〔 [ { 《 【 〖 〈 半角:( [ { <
    • wky 右括号,全角:) 〕 ] } 》 】 〗 〉 半角: ) ] { >
    • wyz 左引号,全角:“ ‘ 『
    • wyy 右引号,全角:” ’ 』
    • wj 句号,全角:。 半角:.
    • ww 问号,全角:? 半角:?
    • wt 叹号,全角:! 半角:!
    • wd 逗号,全角:, 半角:,
    • wf 分号,全角:; 半角: ;
    • wn 顿号,全角:、
    • wm 冒号,全角:: 半角: :
    • ws 省略号,全角:…… …
    • wp 破折号,全角:—— -- ——- 半角:— —-
    • wb 百分号千分号,全角:% ‰ 半角:%
    • wh 单位符号,全角:¥ $ £ ° ℃ 半角:$

其它

  • email 电子邮件地址 ,如“[email protected]
  • tel 电话号码,如:“13818636693”
  • id 身份证号
  • ip ip地址,如“127.0.0.1”
  • url 网页链接,如“http://bosonnlp.com/”

结巴分词中出现的类型

  • a 形容词
    • ad 副形词
    • ag形语素
    • an副形词
  • b区别词
  • c连词
  • d副词
    • df
    • dg副语素
  • e叹词
  • f方位词
  • g语素
  • h前接成分
  • i成语
  • j简称略语
  • k后接成分
  • l习用语
  • m数词
    • mg数语素
    • mq 数量词
  • n名词
    • ng名词性语素
    • nr人名
    • nrfg
    • nrt
    • ns地名
    • nt机构团体
    • nz其他专名
  • o拟声词
  • p介词
  • q量词
  • r代词
    • rg 代语素
    • rr人称代词
    • rz指示代词
  • s处所词
  • t时间词
    • tg时语素
  • u助词
    • ud
    • ug
    • uj
    • ul
    • uv
    • uz
  • v动词
    • vd副动词
    • vg动语素
    • vi不及物动词(内动词)
    • vn名动词
    • vq
  • x非语素字
  • y语气语素
  • z状态词
    • zg

其他参考资料:

  • http://icl.pku.edu.cn/icl_groups/corpus/spec.htm

No related posts.

你可能感兴趣的:(自然语言处理,程序开发)