查看原文
其他

资源推荐|最全中文自然语言处理数据集、平台和工具整理

欢迎点击上方关注我们,欢迎转发此文

    资源整理了文本分类、实体识别&词性标注、搜索匹配、推荐系统、指代消歧、百科数据、预训练词向量or模型、中文完形填空等大量数据集,中文数据集平台和NLP工具等。

    本文内容整理自:https://github.com/InsaneLife/ChineseNLPCorpus


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


    人民日报数据集

    人名、地名、组织名三种实体类型

    1998:https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/renMinRiBao

    2004:https://pan.baidu.com/s/1LDwQjoj7qc-HT9qwhJ3rcA password: 1fa3


    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。

    链接:https://pan.baidu.com/s/1Hg2Hubsn3GEuu4gubbHCzw 提取码:7p3n

    

    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分词: 

https://github.com/yanyiwu/cppjieba

本文来源:深度学习与NLP




往期回顾


高引论文第14期丨国内“语料库语言学”研究TOP1-200

2020-11-01

学术会议|新中国对外汉语教学70年发展之路与未来展望学术论坛

2020-11-07

刊讯|《世界汉语教学》2020年第4期

2020-11-07

博悟馆(第9期)|佛罗里达州立大学语言学系博士招生

2020-11-06


欢迎加入

“语言学心得交流分享群”



“语言学考博交流群”


如群满员
请添加“心得小助手


   今日小编:心得君

   审     核:心得君

转载&合作请联系

"心得君"

微信:xindejun_yyxxd

: . Video Mini Program Like ,轻点两下取消赞 Wow ,轻点两下取消在看

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存