近年来,在智能化教育需求和机器学习、多媒体技术、自然语言处理等技术的推动下,机器解答的研究热度持续上升,中小学数学题的机器解答成为研究热点。数学应用题的机器解答,一般分为两步,第一步是题目理解,第二步是问题求解,其中题目理解是问题求解的基础。词性标注作为题目理解的核心,在数学应用题机器解答研究中,起着关键的基础作用。传统的数学应用题词性标注使用标签式标记,存在无法直接进行运算、难以引入深度学习的机器解答技术的问题,这些问题制约着机器解答的发展。要解决这些问题,就需要对数学应用题进行向量化的词性标注。本论文致力于解决以上问题,开展中文数学应用题的词性标注方法研究,主要包括以下内容:1.通过分析了多种词的向量化表示方法,最终决定采用BERT模型作为数学应用题向量化的表示方法。通过对各种分词系统的对比,采用NLPIR分词系统的中文分词功能,作为数学应用题文本的分词工具。在此基础上,提出了基于BERT和NLPIR的数学应用题向量化词性标注方法。与传统的数学应用题标签式的词性标注的方法不同,这种方法对数学应用题进行向量化的词性标注,方便使用深度学习技术提升机器解答算法。2.通过实验验证了本论文的向量化词性标注的有效性。对数学应用题句法语义混合模型池中四个常用词类(名词、数词、量词、时间词)设计实验,采用欧氏距离和余弦相似度的期望、中位数、最大值、最小值和方差5个统计学指标来计算向量相似度,评价向量化的词性标注的性能。同时设计了只含一层隐藏层的线性神经网络进行分类,分类的准确率达到96.71%,验证了向量具有明显的词性区分特性。