一句话定义：词性标注（Part-of-Speech Tagging，简称 POS Tagging）就是让计算机判断一句话里每个词属于哪一类语法身份，即名词、动词、形容词、介词、量词等，并给每个词打上对应标签。
举个最直白的例子。「小明在图书馆看书」这句话，人看一眼就懂，机器则要先把它拆成词，再逐个定性：
> 小明/名词 在/介词 图书馆/名词 看/动词 书/名词
打完标签，机器才“知道”谁是动作的发出者、哪个词表示地点、哪两个词是动作和它的对象。这一步几乎不做任何“理解”，却决定了后面所有理解的上限。
打个比方：这就像给剧组每个人发工牌。谁是导演、谁是演员、谁是场务、谁是摄影，先分清岗位，才好排班、对台词、走机位。词性就是词在句子里的岗位。同样是“锁”，在“一把锁”里是名词（物件），在“锁门”里是动词（动作）；同样是“学习”，在“他学习很努力”里是动词，在“学习很重要”里却是名词。所以词性标注不能靠查字典解决：词典只能给出候选词性，最终定哪个，必须看上下文。这也是它被当作序列标注任务、用隐马尔可夫模型（HMM）、条件随机场（CRF）乃至预训练语言模型来做上下文判断的原因。
它和几个容易混的相邻任务，区别大致如下：
| 任务 | 问的问题 | 输出示例 |
|---|---|---|
| 分词（Word Segmentation） | 词从哪儿切开 | 小明 / 在 / 图书馆 / 看书 |
| 词性标注（POS Tagging） | 每个词是什么语法身份 | 图书馆/名词，看/动词 |
| 命名实体识别（NER） | 哪些词指向具体实体 | 小明/人名 |
| 依存句法分析（Dependency Parsing） | 谁修饰谁、谁是谁的主语 | 看 → 图书馆（地点） |
顺序上，中文处理通常是“分词 → 词性标注 → 实体识别/句法分析”。词性标注处在最底层，像流水线的第一道质检：标错一个词性，后面的实体识别、句法树就可能整枝歪掉。比如“苹果发布会”里“苹果”是公司还是水果，词性和上下文一起决定了后续判断。
对从业者的实际意义有三点。第一，它是很多 NLP 流水线最底层的一步，成本低，但下游任务对它很敏感，值得先把标注体系和对齐规则定清楚。第二，标签集并不统一，常见的有 Penn Treebank 风格、ICTCLAS 风格等，不同工具输出的标签含义可能不同，混用前要先看对照说明，以各工具的官方文档为准。第三，中文还有分词误差会传导进来，分词切错，词性必然跟着错，所以评估词性标注效果时要分清是分词的问题还是词性的问题。
对普通职场人来说，这一步藏在搜索框、输入法、翻译软件和文档解析背后：你打一句话能被切对、译顺、搜准，往往就是因为机器先给每个词发对了那张工牌。