分析商品评论中评价对象和评价短语的词性和句法关系，提出一种使用规则模板进行评价搭配抽取的方法。通过词性、依存句法分析及语义依存分析结果，设计核心搭配抽取规则。引入COO算法及改进的ATT链算法，根据

与评价对象的命名实体标注，得到单词序列、词性序列和标注序列。将单词序列、词性序列转为神经网络语言模型的词向量，并用循环神经网络进行训练，采用条件随机场（CRF）输出评价对象标签，得到缺失的评价对象。实验结果表

目前壮语智能信息处理研究处于起步阶段，缺乏自动词性标注方法。针对壮语标注语料匮乏、人工标注费时费力而机器标注性能较差的现状，提出一种基于强化学习的壮语词性标注方法。依据壮语的文法特点和中文宾州树库

（SECT）方法将结构信息进行向量化处理，将词性、文档压缩树叶节点深度与SECT信息作为3个特征向量引入模型中进行中文指代消解。在 CONLL2012数据集中的测试结果表明，通过结合上述3个特征，可使该模型的中文指代消解性能得到有效提高，

针对老挝语军事领域命名实体识别存在的规则制定不准确、覆盖不全等问题，提出一种融合条件随机场与规则的识别方法。通过分析老挝语语言和领域文本特点，选取词、词性、通名、指界词和词典等原子特征构建组特征模板