中文自然语言处理数据集：ChineseNLPCorpus

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

• 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

1. 开源代码： https://github.com/google-research/bert

2. 模型下载： BERT-Base, Chinese : Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters

ELMO

1. 开源代码： https://github.com/allenai/bilm-tf

2. 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