51dev.com IT技术开发者社区

51dev.com 技术开发者社区

中文自然语言处理数据集:ChineseNLPCorpus

人工智能互联网报道阅读(80)2019-07-01 收藏0次评论

据集的相关链接,可以用来练手:

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

 

实体识别&词性标注

微博实体识别.

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微软亚洲研究院数据集。

5 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

 

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

https://github.com/Embedding/Chinese-Word-Vectors

 

中文完形填空数据集

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。

https://github.com/chinese-poetry/chinese-poetry

 

保险行业语料库

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

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

 

以上就是中文自然语言处理数据集:ChineseNLPCorpus的全部内容,请多关注【51DEV】IT技术开发者社区。

相关内容