该文以知网系统作为语义分类的体系,首先尝试了基于隐马尔可夫模型的消歧方法,但由于在一阶隐马尔可夫模型中可以考察到的上下文相对较小,然而有些时候距离歧义词较远的词语往往对词义的确定起着至关重要的作用,因此这种方法的消歧正确率在三个模型中最低,大约为85﹪左右.随后该文又尝试了基于单纯贝叶斯概率模型的消歧方法,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,这种方法的消歧正确率大约为89﹪左右.考虑到基于单纯贝叶斯概率模型的缺点,该文采用了基于依存分析的贝叶斯概率模型,在这个模型中,利用了依存分析的结果作为上下文分类特征的抽取方法,这样提高了上下文特征抽取的有效性,因此也取得了比较好的消歧效果,在测试中该方法的消歧正确率可以达到92﹪左右,在三个模型中消歧正确率是最高的.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文本语义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.