Ordklassemærkning tildeler automatisk hvert ord i en sætning dets grammatiske kategori, f.eks. navneord, udsagnsord, tillægsord eller forholdsord. Fordi mange ord er flertydige (»kort« som navneord eller tillægsord, »lys« som navneord eller tillægsord), tager metoderne højde for sætningens sammenhæng. POS-tagging er et klassisk forbehandlingstrin til parsing, informationsudtræk eller stavekontrol og tilbydes af biblioteker som spaCy og NLTK.
Afhængighedsparsing (dependency parsing) er en teknik inden for naturlig sprogbehandling, der gengiver en sætnings grammatiske struktur som afhængigheder mellem ordene. Hvert ord knyttes til et styrende ord, f.eks. subjekt og objekt til verbet: I 'Kunden bestiller to lamper' afhænger 'kunden' og 'lamper' af 'bestiller'. Det hjælper ved udtrækning af information, f.eks. til at afgøre, hvem der har gjort hvad.
spaCy er et open source Python-bibliotek til naturlig sprogbehandling, udviklet af det berlinbaserede firma Explosion. Det opdeler tekster i ord og sætninger, bestemmer ordklasser og grundformer, analyserer sætningsstruktur og genkender navngivne entiteter som personer, virksomheder eller steder. Fortrænede modeller findes til mange sprog, herunder tysk. spaCy er designet til hastighed og til brug i rigtige applikationer, f.eks. til forbehandling af store mængder dokumenter.
NLTK (Natural Language Toolkit) er et open source Python-bibliotek til naturlig sprogbehandling, skabt på University of Pennsylvania i begyndelsen af 2000'erne. Det indeholder værktøjer til tokenisering, stemming, ordklassemærkning og enkel klassifikation samt adgang til talrige tekstkorpora. NLTK bruges hovedsageligt i undervisning og forskning; produktionsapplikationer bygger ofte på biblioteker som spaCy eller på transformer-modeller.
Natural language processing er den gren af AI, der gør det muligt for computere at analysere, forstå og generere menneskeligt sprog i tekst eller tale. Det omfatter opgaver som oversættelse, klassifikation, opsummering, sentimentanalyse og spørgsmålsbesvarelse. Tidligere dominerede regler og statistiske metoder; i dag er feltet præget af store sprogmodeller.
