http://www.hankcs.com/nlp/corpus/several-revenue-segmentation-system-used-set-of-source-tagging.html
我发现几个民间的分词项目的词典很乱,ansj分词的作者承认arrays.dic是从结巴分词抄过来的,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,如下表所示:
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URLw 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:$
而ansj的文档给出的却是一份北大的标注集,
实际上ansj的词典中含有很多奇怪的词性,我对其array.dic中的词性进行统计,发现一共出现了如下54种:
[, nt, ns, nr, tg, nz, nx, q/, bg, zg, vg, rg, vn, dg, uz, uv, mg, vd, f, yg, g, uj, d, e, ul, b, c, ug, a, n, o, l, qg, m, j, k, h, i, w, v, u, t, s, r, q, an, p, ng, ad, ud, ag, z, y, x]
事实上,除掉一个空格,还有53种,其中的mg不属于ICTPOS3.0词性标记集,也不属于北大标注集,让我很疑惑。其中q/更是让人哭笑不得,应该是统计脚本发生错误。
后来一番搜索,发现了一份看样子匹配度比较高的标注集,可能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 , |
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 , , |
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, |
转载请注明:码农场 » 几个开源分词系统所使用标注集的来源