中文分词是自然语言处理中的基石,由于中文在文本中的特殊性,它并不像英文一样有明显的空格分隔开,而是以单个字为单位,因此如果需要从文本中获取有用的信息,一定需要有正确分词后的文本,才能更好地进行下一步的自然语言处理方面的工作。然而中文分词的两大难点——真歧义以及未登录词,至今仍旧没有很好地解决。面对网络上用户的复杂信息,作为命名实体识别中必不可少的一部分,用户标识识别就可以发挥其作用。序列标注模型在处理中文分词和命名实体识别这一块是卓有成效的,而条件随机场更是序列标注方法中的佼佼者。为了进一步提高中文分词的效果以及用户标识识别的准确性,本文提出了一种基于特征对齐的方法,然后将分类器与条件随机场结合来进行序列标注的任务。为了构建特征对齐的序列标注模型,本文主要完成的工作如下:1.结合分类器和条件随机场的算法,提出了一种基于特征对齐的中文分词方法。首先,针对文本中的字符二元组,抽取字符二元组的词频、信息熵、互信息、数字、标点、句子语境等共19项特征,将每一个字符二元组表示成一个19维的向量。其次,对于关于频数的13项特征利用地球移动距离(EMD)的方法使得标记数据和无标记数据进行特征对齐,从而减少标记数据和无标记数据之间的规模差距。再次,将对齐之后的标记数据特征作为分类器XGBoost的训练集,然后预测无标记数据中的字符二元组的成词概率。最后,将分类器的结果作为条件随机场的特征进行序列标注的训练,得到无标记数据的分词结果。2.作为上述方法的一个应用,结合分类器和条件随机场理论和算法,提出了基于特征对齐的用户标识识别方法。通过特征工程获得字符二元组的特征属性后,利用特征对齐、分类器和条件随机场堆叠的方法,从而获得用户标识的属性实体名。实验结果表明通过特征对齐、将分类器和条件随机场相结合的方法来处理序列标注的问题确实是有效的。此方法不仅解决了条件随机场训练过程中因为特征太多出现的过拟合问题,减少了训练的时间,而且提高了中文分词和用户标识识别的效果,进一步为自然语言处理中构建知识图谱等工作夯实基础。