使用将单词映射到数字 ID 的字典。如果您的词汇表中有 10,000 个项目，那么您的字典会将每个单词映射到 0-9999 范围内的一个数字，并且每个单词都表示为长度为 10,000 的二进制向量，其中只有一个元素处于活动状态：对应于单词在字典。
如果你想要除了单词 id 之外的额外特征，你可以把这些附加到特征向量的末尾：也就是说，你可以让特征 10,000+ 成为大写特征，前一个标签特征（需要二进制编码为以上）等。
最后一点，词性标注是structured prediction 问题的一个实例，而不是一系列独立的分类。如果这不仅仅是一项学术练习，您将希望转向structured perceptron，或其他结构化学习方法，如 CRF 或 struct-SVM。
编辑：一个简单的例子
假设我有一个五个单词的词汇表，{the,cat,sat,on,mat} 和一个简化的标签集 {DET,N,V,PREP}。我的句子是这样的：
(The,DET) (cat,N) (sat,V) (on,PREP) (the,DET) (mat,N)。
现在我想要每个单词的特征向量，我希望能够从中预测标签。我将使用特征 0-4 作为我的单词 id 指示函数，因此特征 0 对应于“the”，特征 1 对应于“猫”，依此类推。这给了我以下特征向量（在 -> 之后带有预期的“类”或标签分配）：
[1 0 0 0 0] -> DET
[0 1 0 0 0] -> N
[0 0 0 0 0] -> V
...
我可以将这些视为实例，并将我选择的学习算法应用于此任务，但是，单独的单词 ID 函数不会给我带来太多收益。我决定要在我的分类中加入一些类似 HMM 的直觉，所以我还添加了指示 previous 标签是什么的特征函数。所以我使用特征 5-8 作为指标，其中 5 对应于 DET，6 对应于 N，以此类推。现在我有以下内容：
[1 0 0 0 0 0 0 0 0] -> DET (because this is the first word there's no previous tag)
[0 1 0 0 0 1 0 0 0] -> N
[0 0 0 0 0 0 1 0 0] -> V
现在我可以继续为我的内容添加特征，例如使用特征 9 来指示单词是否大写，特征 10 可能是单词是否匹配已知专有名词列表等。如果您阅读稍微了解一下结构化预测任务和方法，您应该明白为什么使用为此任务定制的模型（最简单的是 HMM，但我想升级到 CRF/结构化感知器/StructSVM 以获得最先进的性能）是优越的将其视为一堆独立的决定。