词义消歧是自然语言处理中的一个核心问题.现阶段,很多词义消歧的研究大多采用几个有代表性的歧义词作为研究与测试的对象,在实际应用中有一定的局限性,所以该文希望能够针对真实的应用情况,对大规模文本进行词义消歧的研究.作者在统计框架下,分别采用了有指导和无指导的方法基于依存分析的贝叶斯模型来尝试解决大规模的词义消歧难题,得到了比较好的消歧结果.该文以知网系统作为语义分类的体系,首先尝试了基于单纯贝叶斯概率模型的有指导词义消歧方法,这种方法在抽取上下文特征时没有进行合理的选择,致使一些无用的信息混入其中,降低了贝叶斯分类器的分类准确率,训练3500句开放测试的消歧正确率为89.55﹪;针对单纯贝叶斯概率模型存在的缺点,该文接着实现了基于依存分析改进贝叶斯模型的有指导词义消歧,利用了依存分析的结果作为上下文分类特征的抽取方法,提高了上下文特征抽取的有效性,因此取得了比较好的消歧效果,3500句训练开放测试正确率达到了91.89﹪.无指导的消歧实验中,该文采用了单纯贝叶斯,N近邻改进贝叶斯和依存分析改进贝叶斯等三个消歧模型,3000句封闭测试消歧正确率分别达到了75.40﹪,82.59﹪(N=1)和84.60﹪.由此可以看出,基于依存分析的贝叶斯词义消歧是一种很好的词义消歧模型.另外,该文采用了以知网为基础的语义分类体系,由于知网系统刻画了词语所描述的概念与概念之间的关系,如果能利用知网对词语的语义进行大规模的标注一定会促进对语言的深层理解,这将对自然语言处理的诸多方面,例如机器翻译、自然语言理解、信息检索、自动文摘等,产生巨大的推动作用.