中文自然语言处理数据集:ChineseNLPCorpus(附链接)

本文涉及的产品
NLP自然语言处理_高级版,每接口累计50万次
NLP自然语言处理_基础版,每接口每天50万次
NLP 自学习平台,3个模型定制额度 1个月
简介: 本文为你推荐中文自然语言处理数据集。

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

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

情感/观点/评论 倾向性分析

image.png

实体识别&词性标注

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。
  1. 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

image.png

百科数据

维基百科

维基百科会定时将语料库打包发布:

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

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。

保险行业语料库

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

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

https://github.com/crownpku/Small-Chinese-Corpus

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

目录
相关文章
|
存储 自然语言处理 数据可视化
Dataset:数据集集合(NLP方向数据集)——常见的自然语言处理数据集大集合(建议收藏,持续更新)
Dataset:数据集集合(NLP方向数据集)——常见的自然语言处理数据集大集合(建议收藏,持续更新)
|
7月前
|
机器学习/深度学习 自然语言处理 机器人
【Tensorflow+自然语言处理+LSTM】搭建智能聊天客服机器人实战(附源码、数据集和演示 超详细)
【Tensorflow+自然语言处理+LSTM】搭建智能聊天客服机器人实战(附源码、数据集和演示 超详细)
751 10
|
7月前
|
自然语言处理 机器人 数据库
【Python自然语言处理+tkinter图形化界面】实现智能医疗客服问答机器人实战(附源码、数据集、演示 超详细)
【Python自然语言处理+tkinter图形化界面】实现智能医疗客服问答机器人实战(附源码、数据集、演示 超详细)
202 3
|
7月前
|
机器学习/深度学习 自然语言处理 机器人
【Tensorflow+自然语言处理+RNN】实现中文译英文的智能聊天机器人实战(附源码和数据集 超详细)
【Tensorflow+自然语言处理+RNN】实现中文译英文的智能聊天机器人实战(附源码和数据集 超详细)
91 1
|
自然语言处理
NLP自学习平台上传数据集时出现解析失败的情况
NLP自学习平台上传数据集时出现解析失败的情况
126 1
|
自然语言处理 PyTorch 算法框架/工具
|
机器学习/深度学习 人工智能 自然语言处理
华为诺亚开源首个亿级中文多模态数据集-悟空,填补中文NLP社区一大空白
华为诺亚开源首个亿级中文多模态数据集-悟空,填补中文NLP社区一大空白
226 0
|
机器学习/深度学习 人工智能 自然语言处理
【Pytorch神经网络理论篇】 36 NLP中常见的任务+BERT模型+发展阶段+数据集
是一种类似于卷积思想的网络。它通过矩阵相乘,计输入向量与目的输出之间的相似度,进而完成语义的理解。
397 0
|
自然语言处理 知识图谱
NLP数据集列表
NLP数据集列表
272 0
NLP数据集列表
|
机器学习/深度学习 存储 自然语言处理
动手学深度学习(十) NLP 语言模型与数据集
动手学深度学习(十) NLP 语言模型与数据集
402 0
下一篇
无影云桌面