中文自然语言处理数据集：ChineseNLPCorpus（附链接） |
您所在的位置：网站首页 › 处理的中文 › 中文自然语言处理数据集：ChineseNLPCorpus（附链接） |
中文自然语言处理数据集：ChineseNLPCorpus（附链接）
|
来源：AINLP 文章来源：微信公众号 数据派THU 本文约1300字，建议阅读5分钟。 本文为你推荐中文自然语言处理数据集。 推荐一个Github项目：ChineseNLPCorpus，该项目收集了一批中文自然语言处理数据集的相关链接，可以用来练手，点击阅读原文可以直达该项目链接： https://github.com/InsaneLife/ChineseNLPCorpus 以下来自该项目介绍页 中文自然语言处理数据集，平时做做实验的材料。欢迎补充提交合并。 文本分类新闻分类 今日头条中文新闻（短文本）分类数据集：https://github.com/fateleak/toutiao-text-classfication-dataset数据规模：共38万条，分布于15个分类中。 采集时间：2018年05月。 以0.7 0.15 0.15做分割 。 清华新闻分类语料：根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成。 数据量：74万篇新闻文档（2.19 GB） 小数据实验可以筛选类别：体育, 财经, 房产, 家居, 教育, 科技, 时尚, 时政, 游戏, 娱乐 http://thuctc.thunlp.org/#%E8%8E%B7%E5%8F%96%E9%93%BE%E6%8E%A5 rnn和cnn实验：https://github.com/ gaussic/text-classification-cnn-rnn 中科大新闻分类语料库：http://www.nlpir.org/?action-viewnews-itemid-145情感/观点/评论 倾向性分析 https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/boson 1998年人民日报数据集。人名、地名、组织名三种实体类型https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/renMinRiBao MSRA微软亚洲研究院数据集。 万多条中文命名实体识别标注数据（包括地点、机构、人物）https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/MSRA SIGHAN Bakeoff 2005：一共有四个数据集，包含繁体中文和简体中文，下面是简体中文分词数据。MSR: http://sighan.cs.uchicago.edu/bakeoff2005/ PKU ：http://sighan.cs.uchicago.edu/bakeoff2005/ 搜索匹配 OPPO手机搜索排序OPPO手机搜索排序query-title语义匹配数据集。 下载链接： https://pan.baidu.com/s/1Obm8oRVZEIh76-cpPc0qZw 网页搜索结果评价(SogouE)用户查询及相关URL列表 https://www.sogou.com/labs/resource/e.php 推荐系统
维基百科 维基百科会定时将语料库打包发布： 数据处理博客 https://dumps.wikimedia.org/zhwiki/百度百科 只能自己爬，爬取得链接：https://pan.baidu. com/share/init?surl=i3wvfil提取码 neqs 。 指代消歧 CoNLL 2012 ：http://conll.cemantix .org/2012/data.html 预训练：（词向量or模型）BERT 开源代码:https://github.com/ google-research/bert 模型下载：BERT-Base, Chinese: Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters ELMO 开源代码： https://github.com/allenai/bilm-tf 预训练的模型：https://allennlp.org/elmo 腾讯词向量 腾讯AI实验室公开的中文词向量数据集包含800多万中文词汇，其中每个词对应一个200维的向量。 下载地址：https://ai.tencent.com /ailab/nlp/embedding.html 上百种预训练中文词向量 下载地址：https://github.com/ Embedding/Chinese-Word-Vectors 中文完形填空数据集 下载地址：https://github.com/ymcui/Chinese-RC-Dataset 中华古诗词数据库 最全中华古诗词数据集，唐宋两朝近一万四千古诗人, 接近5.5万首唐诗加26万宋诗. 两宋时期1564位词人，21050首词。 下载地址：https://github.com/chinese-poetry/chinese-poetry保险行业语料库 下载地址：https://github.com/Samurais/insuranceqa-corpus-zh 汉语拆字字典 英文可以做char embedding，中文不妨可以试试拆字 下载地址：https://github.com/kfcd/chaizi 中文数据集平台搜狗实验室 搜狗实验室提供了一些高质量的中文文本数据集，时间比较早，多为2012年以前的数据。https://www.sogou.com/labs/resource/list_pingce.php 中科大自然语言处理与信息检索共享平台http://www.nlpir.org/?action-category-catid-28 中文语料小数据包含了中文命名实体识别、中文关系识别、中文阅读理解等一些小量数据。https://github.com/crownpku/Small-Chinese-Corpus 维基百科数据集https://dumps.wikimedia.org/NLP工具 THULAC：https://github.com/thunlp/THULAC ：包括中文分词、词性标注功能。 HanLP：https://github.com/hankcs/HanLP 哈工大LTP： https://github.com/HIT-SCIR/ltp NLPIR ：https://github.com/NLPIR-team/NLPIR jieba ：https://github.com/yanyiwu/cppjieba 编辑：于腾凯 |
【本文地址】