這裏首先了解下詞性標註：
中文的詞性標註一般存在很多不固定性，比如同音同形的詞在不同的場景下，其表示的語法屬性截然不用，這就爲詞性標註帶來了很大的困難。但是從另外一個方面看，整體上來說大多數的詞語，尤其是實詞，一般只有一個到兩個詞性，而其中一個詞性相對於另一個是高頻的，這時如果默認將高頻詞性作爲詞性選擇進行標註，也能有很高的準確率。這時對於大部分的場景來說，還是能滿足基本的準確度要求的。
最簡單的方法是：統計語料庫中的每個詞對應的詞性，然後將每個詞的高頻詞性作爲該詞的詞性。也就是說輸入語料必須是已經標註好詞性的語料庫。
與此同時，還可以有所提升，目前較多的做法是將詞性標註的問題轉化爲用分詞的方法，也即是將句子的詞性標註作爲一個序列標註問題來解決。這樣的話，分詞中的方法，如HMM、CRF等都可以用在詞性標註上。
詞性標註規範：
目前有北大的詞性標註集和賓州詞性標註集，這裏採用的是北大的詞性標註集。
這裏說下jieba的詞性標註：
jieba詞性標註有點類似於其分詞流程，也是基於規則和統計的方法，也就是在詞性標註的過程中，詞典匹配和HMM共同作用。
- 首先基於正則表達式判斷是否是漢字
- 若不是漢字，將繼續通過正則表達式進行類型判斷。
- 若是漢字，則基於前綴詞典構建有向無環圖，再基於有向無環圖計算最大概率路徑，同時在前綴詞典中找出它所分出的詞性，若未找到，則賦予“x”，代表未知。如有未登錄詞，則會通過HMM進行詞性標註。
那麼HMM是怎樣應用於詞性標註的呢？
這裏簡單說下，就是在分詞任務中，我們用’B’、’M’、’S’、’E’四中標籤，與句子中的每個字符一一對應，而在詞性標註中jieba採用了聯合模型的方式，即將基於字標註的方法和詞性標註結合起來，使用複合標註集。比如：‘人民’，分詞爲‘BE’，而詞性爲‘n’，這時‘人’的標註就是‘B_n’，而‘民’的標註就是‘E_n’，剩下的就和HMM分詞過程一致了，但這裏要更換適合的訓練語料庫。
import jieba.posseg as psg
sent='中文分詞是文本處理不可或缺的一步！'
seg_list=psg.cut(sent)
print(''.join(['{0}/{1}'.format(w,t) for w,t in seg_list]))運行結果：
中文/nz分詞/n是/v文本處理/n不可或缺/l的/uj一步/m！/x這裏只是對jieba詞性標註做了一個簡單介紹，以後再深入討論。
參考：《pytho自然語言處理實戰 核心技術與算法》