中科院计算所汉语词性标记集提供了 vn、an 等词性标签，v 代表动词，a 代表形容词，后面加上 n，其实有一种「动名词」「形名词」的意思，也是对英语的一种借鉴。vn 等标签可以帮我们解决掉一些非谓动词干扰的问题，但不能解决全部。

在实际应用中，我们以「依句辨品，离句无品」的原则去做词性标注，关注词在句子里的位置和作用，虽然这未必是黎锦熙先生说这句话时的本意。

3. 句法分析

目前在做的句法分析包括句法树 (Parse Tree) 和依存句法分析 (Dependency Parsing, DP)，谈到这两点不得不放出下面这两张图：

图 (1)

图 (2)

不同的词类在句子中行使的功能是不一样的。图 (1) 基本可以代表英语词类的功能，这张图比较符合我们的一般认识，即名词作主语宾语，动词作谓语，形容词作定语，副词作状语。

但是汉语的情况，如图 (2)，要复杂得多。名词也可以作谓语，动词也可以作主宾语。比如：

我永远十八岁。

例 (12) 就是一个典型的名词性短语作谓语的例子，这个句子不需要动词也成立。「我」是代词，「永远」是副词，「十八岁」是数量短语。

句法树分析结果如下：

图 (3)

图 (3) 借用 CTB（美国宾州大学的汉语树库）的标注体系，NP 代表名词性短语，VP 代表动词性短语，虽然这句话中没有动词，但仍需要 VP 作为谓语的框架。

依存句法分析结果如下：

图 (4)

图 (4) 借用 LTP（哈工大社会计算与信息检索研究中心研发的「语言技术平台」）的标注体系，SBV 代表主语，root 是「岁」，即使没有动词，也能正确分析句子结构。

汉语还有一些特殊句型，比如主谓谓语句、存现句、连谓句、兼语句等，在句法分析层面上都有自己独特的结构，也是需要特殊处理的。

4. 其他方面

汉语还有一个特点是重意合而不重形式，句子结构比较松散，多分句；英语则多从句，atv直播，多引导词，直播，句子结构比较容易判断。如果要判断句子里的因果关系、让步关系、目的关系、假设关系等，目前来说还比较难。况且我们说话的时候，常常会省略「因为」「即使」「如果」等明显的关联词，这也样也就使得特征变得不明显。比如：

(13) 人勤地不懒。

(14) 如果人勤地就不懒。

例 (13) 和 (14) 表达了一样的意思，但它们的表现形式是不一样的。

汉语结构松散还表现为：

(15) 一斤苹果多少钱？

(16) 苹果一斤多少钱？

(17) 多少钱一斤苹果？

例 (15)(16)(17) 都说得通，而且还很常用。

在语义分析层面，如语义角色标注 (Semantic Role Labeling, SRL) 和语义依存分析 (Semantic Dependency Parsing, SDP)，汉语这个特点着实加大了实现的难度。

5. 从 NLP 到 NLU，从处理到理解

再来谈谈 NLU，传统的 NLP 基本上都是在做「处理」的工作，是把人类的语言掰开揉碎，而 NLU 则解决更深层的「理解」问题，即如何消化 NLP 已经处理好的东西，真正让机器明白人类语言的语义（semantic）。NLU 的出现也对中文 NLP 起到了重要的补足作用。

NLP 和传统语言学已经可以帮助人工智能解决一部分初级问题，但却还远远不能 cover 千变万化的语言形式，比如机器可以理解「我心情不好」，却难以理解「我的心淅淅沥沥下着小雨」这样的转喻；机器可以理解「我要吃饭」，却难以体会同样是吃饭，「上饭店」和「下馆子」，这一「上」一「下」间表达的心理上的微妙差异。

人机自然语言交互涉及到语法、语义、语用三个层面，越往后越难。为了推动人机自然语言交互的发展，需要在 NLP 的基础上，引入 NLU、认知语言学、心理语言学、社会语言学等学科的综合参与。甚至如竹间智能正在探索的，为了理解「寒暄」、「安抚」甚至是「讽刺」、「幽默」这样的言语修辞行为，需要在深度学习方法中结合对心理学的研究，在语义理解的基础上增加意图识别和情感判断，以弥补传统中文 NLP 在语言理解上的不足，让机器真正读懂人类语言的复杂语义，以及背后的意图和情感。在此基础上给予对话者拟人的反馈，从而达到更好的人机自然语言交互效果。