Home >  > 分词系统的标注集

分词系统的标注集

0

一、HanLP开源分词系统
二、ansj分词
作者说arrays.dic是使用结巴分词的。
经过核实,ansj分词可能用的是新版的北大标注集。

《现代汉语语料库加工规范——词语切分与词性标注》词性标记

代码名称 帮助记忆的诠释 例子 及 注解
1 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 ,
2 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  ,

3 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  ,

4 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  ,
5 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  ,
6 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 ,

7 c

连词

取英语连词conjunction的第1个字母。 合作/vn  与/c  伙伴/n
8 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  ,

9 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  ,
10 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  ,
11 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  ,
12 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  ,

13 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  ,

14 j         简称略语 取汉字“简”的声母。 [德/j  外长/n]NP  ,

文教/j  ,

15 k 后接成分。 少年儿童/l  朋友/n  们/k  ,

身体/n  健康/a  者/k  ,

16 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  ,

17 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  ,

18 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  ,

19 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,

 

20 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 )

 

 

21 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

 

22 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  ,

23 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

 

24 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    ,

25 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。

 

26 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  ,

27 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 ,

28 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  ,

29 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  ,
30 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

 

31 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  ,

32 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  ,

33 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

34 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
35 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

 

36 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  )

 

37 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  ,

38 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  ,

39 w         标点符号 ”/w

:/w

40 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。
41 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
42 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  ?

43 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,

 

三、jieba分词
结巴的作者说词典是98年人民日报+ictclas切割小说统计出来的。
那么可以推断这两个分词的标注集应该和ictclas是一样的。按照ictclas的官方说法,其采用的标注集是ICTPOS3.0词性标记集。就是下面这样的:

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

t 时间词
  tg 时间词性语素

s 处所词

f 方位词

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
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
b 区别词
    bl 区别词性惯用语
z 状态词
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
m 数词
    mq 数量词
q 量词
    qv 动量词
    qt 时量词
d 副词
p 介词
    pba 介词“把”
    pbei 介词“被”
c 连词
    cc 并列连词
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”)

e 叹词
y 语气词(delete yg)
o 拟声词
h 前缀
k 后缀
x 字符串
    xx 非语素字
    xu 网址URL
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:$

问:模型的数据是如何生成的?就是finalseg/prob_*.py中的这些数据
答:来源主要有两个,一个是网上能下载到的1998人民日报的切分语料还有一个msr的切分语料。另一个是我自己收集的一些txt小说,用ictclas把他们切分(可能有一定误差)。 然后用python脚本统计词频。

要统计的主要有三个概率表:1)位置转换概率,即B(开头),M(中间),E(结尾),S(独立成词)四种状态的转移概率;2)位置到单字的发射概率,比如P("和"|M)表示一个词的中间出现”和"这个字的概率;3) 词语以某种状态开头的概率,其实只有两种,要么是B,要么是S。

本文暂无标签

发表评论

*

*