老挝网络文本蕴含着大量关乎民意的信息,如何从这些数据里抽取出有价值的信息成为自然语言处理的研究重点之一,但国内外面向老挝语的自然语言处理研究工作较少。老挝作为中国的邻国之一,是“一带一路”的重要盟国,却未达到语言互通的要求。词性标注作为信息抽取研究的一项重要基础任务,本文提出一种融合多特征的老挝语词性标注方法,以解决研究存在的难点,其主要包括以下三个部分:(1)由于老挝语通过词序表达语法含义,而且句子较长,模型构建了 BiLSTM-Attention-CRF模型作为词性标注模型的基础框架,以此来融合词序特征和长远上下文特征。首先,该模型使用带有Attention机制的BiLSTM网络处理每个老挝词的输入向量。然后,CRF模型考虑词性相关性来计算出词性标签。在实验阶段,研究采用HMM、CRF,CNN-CRF和BiLSTM-CRF模型作为对比模型,结果表明了 BiLSTM-Attention-CRF模型的优越性,其准确率达到92.67%。(2)面对老挝语低频词识别的主要挑战,该文提出了“音素级别”的词向量方法来将音素特征融合到BiLSTM-Attention-CRF模型中,音素特征有利于表达词的形态结构信息。首先模型将音素作为子单元,并使用多卷积核神经网络来提取音素向量之间的特征关系来构成“音素级别”词向量,然后“音素级别”词向量将会与由FastText预训练的词向量进行拼接构建出“音素级别”的词特征向量,来进一步丰富词的形态结构信息。由实验结果可得,BiLSTM-Attention-CRF模型融合音素特征后,其准确率达到93.11%。实验还测了融合了音素特征的BiLSTM-Attention-CRF对主要词性标注的F1绝对提高率,词性F1值的一致性提高证明了提出方法的合理。(3)为了进一步加强模型对低频词的识别,该文提出了联合TF-ISF辅助损失和主辅音辅助损失的多任务学习方法,以此融合句子主题特征和主辅音分布特征。TF-ISF算法是将主题提取算法TF-IDF应用于句子级别,而主辅音是老挝音节的重要组成部分。在多特征的融合下,模型的准确率达到93.41%,相比语言辅助模型拥有自己的优势。而且为了实验合理性,该文还使用BiLSTM-CNNs-CRF作为对比模型,在公开数据集丹麦语与西班牙语测试了模型部分思想的表现,结果表明提出方法对低频词识别的高效表现。