智客公社

标题: 中文自然言语处理数据集：ChineseNLPCorpus（附链接） [打印本页]

作者: 早春二月716 时间: 2019-6-24 18:15
标题: 中文自然言语处理数据集：ChineseNLPCorpus（附链接）

[attach]158375[/attach]

来源：AINLP
本文约1300字，建议阅读5分钟。
本文为你引荐中文自然言语处理数据集。
引荐一个Github项目：ChineseNLPCorpus，该项目搜集了一批中文自然言语处理数据集的相关链接，可以用来练手，点击阅读原文可以中转该项目链接：
https://github.com/InsaneLife/ChineseNLPCorpus
以上去自该项目引见页
中文自然言语处理数据集，往常做做实验的材料。欢迎补充提交合并。
文本分类

旧事分类

昔日头条中文旧事（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。
采集工夫：2018年05月。
以0.7 0.15 0.15做分割。
清华旧事分类语料：
根据新浪旧事RSS订阅频道2005~2011年间的历史数据挑选过滤生成。
数据量：74万篇旧事文档（2.19 GB）
小数据实验可以挑选类别：体育, 财经, 房产, 家居, 教育, 科技, 时兴, 时政, 游戏, 文娱
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
中科大旧事分类语料库：http://www.nlpir.org/?action-viewnews-itemid-145

情感/观点/回复倾向性分析
数据集数据概览ChnSentiCorp_htl_all
7000 多条酒店回复数据，5000 多条正向回复，2000 多条负向回复
waimai_10k
某外卖平台搜集的用户评价，正向 4000 条，负向约 8000 条
online_shopping_10_cats
10 个类别，共 6 万多条回复数据，正、负向回复各约 3 万条，包括书籍、平板、手机、水果、洗发水、热水器、蒙牛、衣服、计算机、酒店
weibo_senti_100k
10 万多条，带情感标注新浪微博，正负向回复约各 5 万条
simplifyweibo_4_moods
36 万多条，带情感标注新浪微博，包含 4 种情感，其中喜悦约 20 万条，愤怒、厌恶、低落各约 5 万条
dmsc_v2
28 部电影，超 70 万用户，超 200 万条评分/回复数据
yf_dianping
24 万家餐馆，54 万用户，440 万条回复/评分数据
yf_amazon
52 万件商品，1100 多个类目，142 万用户，720 万条回复/评分数据
实体辨认&词性标注

微博实体辨认。
https://github.com/hltcoe/golden-horse
boson数据。
包含6种实体类型。
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微软亚洲研讨院数据集。
5 万多条中文命名实体辨认标注数据（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/

搜索婚配

OPPO手机搜索排序
OPPO手机搜索排序query-title语义婚配数据集。
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

引荐系统
数据集数据概览ez_douban
5 万多部电影（3 万多有电影称号，2 万多没有电影称号），2.8 万用户，280 万条评分数据
dmsc_v2
28 部电影，超 70 万用户，超 200 万条评分/回复数据
yf_dianping
24 万家餐馆，54 万用户，440 万条回复/评分数据
yf_amazon
52 万件商品，1100 多个类目，142 万用户，720 万条回复/评分数据
百科数据

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
只能本人爬，爬获得链接：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，工夫比较早，多为2012年以前的数据。
https://www.sogou.com/labs/resource/list_pingce.php
中科大自然言语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辨认、中文关系辨认、中文阅读了解等一些小量数据。
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
— 完 —
关注清华-青岛数据迷信研讨院官方微信公众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。

作者: 黄琼仪脑残 时间: 2019-6-24 18:19
分享了

作者: 恩悛 时间: 2019-6-24 18:25
分享了

作者: BUBERSHA 时间: 2019-6-24 18:35
分享了

作者: 网络流氓 时间: 2019-6-24 18:40
分享了

作者: 时尚飞儿 时间: 2019-6-24 18:43
分享了

作者: heromxs 时间: 2019-6-24 18:46
分享了

作者: Amerlish_G2 时间: 2019-6-24 18:54
分享了

作者: I莱芜U 时间: 2019-6-25 19:07
支持楼主，用户楼主，楼主英明呀！！！

作者: 那不是何志源吗 时间: 2019-6-26 14:53
路过的帮顶

作者: 决爱天使 时间: 2019-6-27 13:17
未完待续哈哈！

欢迎光临智客公社 (http://bbs.cnaiplus.com/)