词性标注做的事情是：给文本里的每个词分配一个语法类别，然后从整体上统计各类词性的分布情况。

处理过程大致分四步。

  1. 先做分词和语言识别。中文文本用分词工具切词，英文直接按空格和标点切分。系统会自动判断文本是中文、英文还是中英混排。
  2. 然后跑标注引擎。中文文本同时用两套引擎：一套基于分词工具，覆盖 60 多种细词性；一套基于句法分析器，覆盖 200 多种细词性。英文只走句法路径。
  3. 接着做粗类归并。分词路径和句法路径的细粒度标签会分别映射到统一粗类。中文分词路径主要归并为 14 个粗类：名词、动词、形容词、副词、代词、数词、量词、介词、连词、助词、语气词、叹词、方位词、其他。句法路径和英文路径会保留原始细标签，同时提供可对照的粗类统计。这个归并降低了分析门槛，方便横向比较。
  4. 最后生成报告。包含词性分布柱状图、跨文件热力图、转移概率矩阵、基准语料对比、例词展示，以及按词性筛选的 CSV 导出和实词词典 TXT 导出。

两套引擎的结果不一定完全一致，这很正常。分词路径更贴近中文分词习惯，句法路径更贴近语法角色。两条路径的标签集合不同，不能直接当一致率解读，但可以互相参照。


适用文档

目前支持 TXT 文件输入。编码建议用 UTF-8，其他编码出现乱码可以先转一下。

语言方面，中文和英文都支持，中英混排也可以处理。系统会自动识别语言后分别用对应的引擎标注。

输出结果包括报告页面、词性明细 CSV、筛选结果 CSV 和实词词典 TXT。


适用情景

  1. 语料库语言学研究。标注词性分布特征，对比不同语体的语法差异，建立语料库的词性基线。比如对比学术论文和访谈转录稿的名词占比差距。
  2. 文本风格分析。通过词性占比判断文本偏口语还是偏书面、偏正式还是偏随意。在访谈、对话和评论类文本中，代词和语气词占比偏高，通常有助于判断口语化特征。
  3. 翻译质量评估。对比原文和译文的词性分布差异，发现翻译中的语法偏移和修饰语冗余。形容词占比异常偏高可能是翻译腔的信号。
  4. 文本分析预处理。为后续句法分析、实体识别、关系分析等任务提供词性参考。词性标签是很多分析管线的基础输入。
  5. 教学研究。分析学生作文的词性使用模式，发现语法薄弱点。比如动词形式单一可能说明表达不够丰富。


使用步骤

第一步：上传文件。你可以上传一个或多个 TXT 文件，系统逐个处理。


第二步：确认处理设置。上传后页面会显示处理设置区域，默认配置通常适合一般文本。需要术语识别、停用词过滤或导出筛选时，可以在这里调整，具体含义在下一节展开。



第三步：查看报告。提交后系统自动处理，完成后跳转到报告页。报告包含数据解读卡片、筛选导出区、跨文件热力图、基准对比、分词路径和句法路径的柱状图、转移概率矩阵、示例词等模块。


第四步：导出结果。在筛选导出区选择标注路径和要保留的词性类别，可以导出筛选结果 CSV 或实词词典 TXT。下载包里还包含每个文件的词性明细。


参数解析与对比示例

可配置参数如下。

参数说明默认值
文档主要语言中文或英文。用于设定默认处理策略，系统会在此基础上识别文本片段中的语言并分别处理。若整篇文档为英文，建议切换为英文中文
使用自定义字典上传自定义词典文件，每行一个词，帮助分词工具识别专有名词和术语关闭
使用自定义停用词上传停用词文件，每行一个词，在分词后、统计前过滤这些词关闭
分词模式精确模式（互不重叠）、全模式（扫描所有可能词语）、搜索引擎模式（精确基础上补充搜索词）精确模式
智能词汇识别自动发现语料中的新词，补充分词词典。比较耗时，仅在前一定字数内启用关闭
词性过滤勾选要排除的词性类别，标注完成后从统计和导出结果中排除这些词性关闭
基准语料类型选择用于对比的参考语料：一般新闻、学术、口语、社媒、电商评论、文学作品一般新闻
导出标注路径选择分词路径或句法路径用于导出分词路径
导出词性范围选择导出时保留的词性类别名词、动词


三组典型配置供参考。

  1. 基础标注。语言选中文，其他参数保持默认。适合大多数中文文本的快速标注，两套引擎同时跑，结果可相互参照。
  2. 术语强化标注。开启自定义字典，上传领域术语词典。适合包含大量专业术语的文本，比如医学、法律、IT 领域文档，能减少术语被错切的情况。
  3. 内容词聚焦标注。开启词性过滤，勾选介词、连词、助词、语气词等功能词类别。适合只想看实义词分布的场景，过滤后柱状图和导出词表更干净。过滤后，图表和导出结果只反映保留词性的分布，不再代表全文完整词性结构。

分词模式的选择影响分词路径的结果。精确模式适合一般分析，全模式会产生冗余但覆盖更全，搜索引擎模式介于两者之间。句法路径不受分词模式影响。


案例分析

案例一：社科访谈文本语法分析。

背景：某团队对 200 份深度访谈转录文本做词性标注，想了解口语语料的语法结构特征。

配置：语言选中文，其他参数默认。

结果：分词路径显示名词占比约 36%，看起来跟学术语料差不多。但转移矩阵中「代词→动词」的相邻搭配比书面语更常见，语气词和叹词占比高于所选学术参考线。基准对比中选择「口语语料」参考线后，偏差明显缩小。

结论：单看词性占比可能会误判语体特征。转移矩阵和功能词占比才是区分口语和书面语的关键指标。


案例二：中英混排论文语料对比。

背景：某语言学实验室上传 50 篇中英混排论文，想比较中英文部分的语法差异。

配置：语言选中文，开启自定义字典上传学科术语。

结果：系统自动识别语言后分别用两套引擎标注。跨文件热力图显示各文件的词性分布相对一致。基准对比中选择「学术语料」参考线，中文部分的名词占比约 38%，低于英文参考值，但形容词占比偏高。回看原文和译文片段后，团队发现部分句子存在修饰语堆叠现象，这可能解释了形容词占比偏高。

结论：中英混排文本可以分别标注后横向比较。中英文部分的词性比例可以在统一粗类下观察趋势，但不建议把百分比差异直接解释为语法强弱差异，需要结合分词粒度和文本类型复核。


类似功能对比

词性标注和分词、关键词抽取看起来都跟"词"有关，但做的事情不一样。

词性标注分词关键词抽取
给每个词标语法类别，统计分布把连续文本切成词语提取文本中最重要的词或短语
语法结构、词性比例、相邻词性搭配词语边界、切分准确性词的重要程度、主题相关性
词性分布、转移矩阵、基准对比分词结果、词表关键词列表、权重排序
语料库研究、风格分析、翻译评估分析预处理、词频统计主题分析、标签生成、摘要提取

三者可以组合使用。词性标注完成后，可以在名词、动词等指定词性范围内做关键词抽取，让结果更聚焦。