在自然語言處理（NLP）領域，單詞除了其本身的含義可以用來傳遞信息外，單詞的詞性屬性也包含也包含了非常重要的信息。根據單詞的詞性，人們可以對文本的單詞進行過濾篩選，以篩選掉那些信息含量較少的單詞，從而提升處理的文本質量。而如何從文本中有效地甄別每個單詞的詞性並非是一個簡單的問題，原因在於中文單詞很多是多詞性的，而實際人眼去識別單詞詞性往往是根據單詞的上下文來判斷的。但是，如何讓機器也像人一樣能夠根據上下文去判斷詞性呢？
爲此，本文將介紹一種經典的詞性分析方法來完成此項任務，即隱馬爾科夫的詞性分析方法。與現有的完整的隱馬爾科夫詞性方法不同，考慮到完整的隱馬爾科夫方法需要擁有較爲昂貴的數據資源，本文將從馬爾科夫的理論基礎出發介紹三種基於馬爾科夫鏈的詞性分析方法。這三種方法所考慮的問題一個比一個複雜，同時所需要的數據資源也越來越多。如此一來，就可以保證再各個資源條件下均可完成詞性分析任務。當然了，越複雜的方法效果越好。
更重要的是，通過本文的介紹可以更好地瞭解隱馬爾科夫理論的發展歷程。也許隱馬爾科夫方法本身很難，但一步步剖析下來也許就沒那麼難了。
