内容简介:https://github.com/InsaneLife/ChineseNLPCorpus以下来自该项目介绍页
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
数据集 | 数据概览 | 下载 |
---|---|---|
ChnSentiCorp_htl_all | 7000 多条酒店评论数据,5000 多条正向评论,2000 多条负向评论 | 地址 |
waimai_10k | 某外卖平台收集的用户评价,正向 4000 条,负向 约 8000 条 | 地址 |
online_shopping_10_cats | 10 个类别,共 6 万多条评论数据,正、负向评论各约 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 | 地址 |
weibo_senti_100k | 10 万多条,带情感标注 新浪微博,正负向评论约各 5 万条 | 地址 |
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 | 地址 |
dmsc_v2 | 28 部电影,超 70 万 用户,超 200 万条 评分/评论 数据 | 地址 |
yf_dianping | 24 万家餐馆,54 万用户,440 万条评论/评分数据 | 地址 |
yf_amazon | 52 万件商品,1100 多个类目,142 万用户,720 万条评论/评分数据 | 地址 |
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
数据集 | 数据概览 | 下载地址 |
---|---|---|
ez_douban | 5 万多部电影(3 万多有电影名称,2 万多没有电影名称),2.8 万 用户,280 万条评分数据 | 点击查看 |
dmsc_v2 | 28 部电影,超 70 万 用户,超 200 万条 评分/评论 数据 | 点击查看 |
yf_dianping | 24 万家餐馆,54 万用户,440 万条评论/评分数据 | 点击查看 |
yf_amazon | 52 万件商品,1100 多个类目,142 万用户,720 万条评论/评分数据 | 点击查看 |
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
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。