统计方法把语料库引入词性标注中，利用词性之间的同现频率以及马尔可夫（Markov）语言模型来消除歧义。对于由n个词组成的文本W1W2…Wn，如果Wi对应有Mi个兼类，即Wi可能的词性为Tagi1, … , TagiMi。在排歧前有形式： 　　W1(Tag11, … Tag1M1) W2(Tag21, …, Tag2M2) … Wn(TagN1, … TagNM n) 　　马尔可夫过程是一个随机过程{ x(t): t∈T }，它具备这样的性质，即已知t时刻过程所处的状态xt = x(t)，在t时刻以后过程将要到达的状态与t时刻以前过程所处的状态无关，这个性质也称为过程的无后效性或马尔可夫性。本节后续的讨论都是在马尔科夫过程的这个性质上进行的。 　　若认为W1为起点，Wn为终点，则可以用一有向图表示词的语法范畴在此文本中体现的关系。 图7-18 词串中词性关系的有向图 　　图中的顶点表示词性，弧表示在一个句子中，该词对此词性次序(前后次序)的出现的同现概率。这样的统计方法实际上包含了一定上下文关系，选择一条从W1到Wn的最佳路径，即概率最大的路径。它所利用的数学模型是Markov模型，使用的计算方法通常为动态规划的方法。动态规划方法中最常用的是Viterbi算法。该算法对每个时间点上的各个状态，计算解码状态序列对观察序列的后验概率，保留概率最大的路径，并对每个节点记录下相应的状态信息以便最后反向获取词解码序列。 　　动态规划：动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可行解。每一个解都对应于一个值，我们希望找到具有最优值的解。动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。例如，Viterbi算法就是一种动态规划的方法。 　　例如：如果没有上下文，"flies"作为动词（V）的概率只有PROB(0.076)，而作为名词（N）的概率为PROB(0.025)。但是，在前面加上"the"，"flies"'就是名词（N）。因为冠词ART与动词V的相关概率几乎为零，而冠词ART与名词N的相关概率却很大，因此the flies只能是冠词+名词，即"flies"的词性是名词。