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/)
Powered by Discuz! X3.4