中文分词是中文信息处理应用的基础工作,分词结果好坏直接影响相关应用的后续环节。目前基于有监督学习的中文分词方法在工业界得到了广泛应用并取得了良好的效果,但是有监督学习方法依赖于大量的人工标注数据。在特殊领域的中文文本分词任务中,标注数据非常稀少,同时标注大量文本需要巨大的人工标注成本,使得基于有监督学习的中文分词方法在这些文本上并不实用。在缺少标注数据的情况下,如何保持分类模型的性能优良得到了大量的研究,主动学习方法就是一种有效实用的解决方法。本文采用主动学习方法对中文分词进行研究,并改进主动学习框架中模型训练环节,并基于本文研究内容实现半自动标注系统以优化传统的数据标注形式。本文的主要研究工作有以下三方面:(1)基于主动学习的中文分词方法研究:利用条件熵度量样本的不确定性,并选择出不确定性最高的数据作为最具标注价值的数据推荐给人工标注,从而实现在小规模标注数据集下,训练出高性能的中文分词器。(2)采用半监督学习训练中文分词器:(1)中描述方法仅利用少量的标注数据训练中文分词器,而忽略了大量未标注数据中的重要信息。在主动学习框架下,采用EM算法训练中文分词器,能够充分地利用了标注数据集与未标注数据集。该方法能够使得中文分词器性能以及泛化能力都得以提升。然而,主动学习方法选取的数据实例不一定是最靠近决策面的数据实例,从而不能够快速地找到决策面,导致分词器训练时间较长,影响其实用性,因此提出研究工作(3)内容。(3)基于逆向工程生成实例的主动学习中文分词方法研究:基于对抗学习思想,利用生成器产生比实际数据实例更具价值的伪实例。该类实例非常靠近决策面,通过这些实例不仅能够快速地获得决策面,还能够使得决策面更加准确。但是伪实例的类别由当前的分词器判别,其可靠性依赖于分词器的性能,所以生成的伪实例中,有较多的不可靠数据,容易导致分词效果较差,如何提升生成实例的类别可靠性需要进一步研究。