标注标注（tagging） 也是一个监督学习问题。
可以认为标注问题是分类问题的一个推广， 标注问题又是更复杂的结构预测问题的简单形式。
标注问题的输入是一个观测序列， 输出是一个标记序列或状态序列。
标注问题的目标在于学习一个模型， 使它能够对观测序列给出标记序列作为预测。 注意， 可能的标记个数是有限的， 但其组合所成的标记序列的个数是依序列长度呈指数级增长的。
标注的过程标注问题分为学习和标注两个过程（如图1.5所示） 。 首先给定一个训练数据集
评价标注模型的指标评价标注模型的指标与评价分类模型的指标一样， 常用的有标注准确率、 精确率和召回率。 其定义与分类模型相同。
标注常用的统计学习方法标注常用的统计学习方法有： 隐马尔可夫模型、 条件随机场。
标注问题的应用标注问题在信息抽取、 自然语言处理等领域被广泛应用， 是这些领域的基本问题。
例如， 自然语言处理中的词性标注（part of speechtagging） 就是一个典型的标注问题：
给定一个由单词组成的句子， 对这个句子中的每一个单词进行词性标注， 即对一个单词序列预测其对应的词性标记序列。
举一个信息抽取的例子。
从英文文章中抽取基本名词短语（basenoun phrase） 。 为此， 要对文章进行标注。 英文单词是一个观测， 英文句子是一个观测序列， 标记表示名词短语的“开始”、 “结束”或“其他”（分别以B， E， O表示） ， 标记序列表示英文句子中基本名词短语的所在位置。
信息抽取时， 将标记“开始”到标记“结束”的单词作为名词短语。
例如， 给出以下的观测序列， 即英文句子， 标注系统产生相应的标记序列， 即给出句子中的基本名词短语。
输入： At Microsoft Research,we have an insatiable curiosity and the
desire to create new technology that will help define the computing
experience。
输出： At/O Microsoft/B Research/E,we/O have/O an/O insatiable/B
curiosity/E and/O the/O desire/BE to/O create/O new/B technology/E
that/O will/O help/O define/O the/O computing/B experience/E。