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。
- 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。
- 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。
- 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。
- 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
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
01
在任务页面提交词性标注
打开词性标注页面，或者先查看已有的词性标注实例熟悉报告结构。
词性标注任务页面：上传文档、自定义词典、停用词、分词模式和词性过滤
上传文档。 如果希望比较不同文本，应把需要区分的材料分别作为文件上传，以便在报告中切换查看。
补充自定义词典。 在【自定义词典】中加入希望完整识别的专名、机构名或术语；没有需要补充的词时可以留空。
检查停用词与过滤设置。 自定义停用词和词性过滤会影响后续统计的样本。若要观察某类词的分布，不应在提交前先把这类词排除。
提交任务。 等待处理完成后打开报告；上传了多份文件时，先选定要查看的文件，再阅读对应的词性分布。
选择需要导出的内容。 在【筛选导出】中选择【导出路径】，勾选【保留词性】，再点击【导出词性筛选表 CSV】。需要可复用的实词词表时，可使用【导出实词词典 TXT】。
已有的词性标注实例没有配置自定义词典或自定义停用词。它可以演示基础报告；如果自己的材料包含大量专名，仍应核对分词与示例词，按材料补充词典。
02
分清两条路径，再阅读报告
词性标注实例报告：分词路径与句法路径分别展示词性分布，条形长度表示各自路径中的出现次数
截图中，分词路径的【动词】为 896 次，句法路径的【动词】为 835 次。两条路径各自切词和标注，数量不同并不能直接说明其中一条出错。图下名词占比也有明确范围：分词路径写的是前 18 类可展示词性中的约 36.1%，句法路径写的是前 12 类中的约 62.5%。这些比例不能混用，也不能与页面上按粗类合并后的名词占比直接比较。
【中文分词路径】与【句法级路径】分别统计。 两条路径的切词方式和标签集合不同。阅读占比时，先核对是完整路径统计、合并后的词性粗类，还是图中所展示类别的统计，不要把两条路径的数量相加，也不要把分布相近解释为标注一致率。
词性分布图描述出现次数。 条形较长表示该词性在当前统计样本里出现得较多。占比应结合实际保留下来的词理解；停用词或过滤规则不同，会改变参与统计的样本。
【跨文件词性分布热力图】用于比较文件。 多文件结果具备相应数据时，报告以文件为行、词性粗类为列展示占比。比较同一列可以观察该词性在不同文件中的比例差异；这些差异还需要结合原文与处理设置解释。
【词性转移概率矩阵】按行阅读。 行表示前一个词性，列表示后一个词性。一个单元格表示：在以前一种词性为起点的相邻转移中，接到后一种词性的比例。它是有方向的条件比例，不能把行列互换后当作同一个关系。
【示例词】可以帮助核对标签含义。 对照分词路径和句法路径的示例，检查哪些词被归入相应类别。若某个术语被拆开，或标签与语境不符，应回到原文确认，不能仅凭一根条形解释整篇文本的写作特征。基准线对比仅提供参考方向。
页面上的词性筛选影响本页即时导出；下载结果包中的完整明细仍保留任务生成的全部词性。需要保留完整记录时，应同时保存原始结果包与筛选后的词表。
END