中文自然语言处理数据集：ChineseNLPCorpus（附链接）
中文自然语言处理数据集：ChineseNLPCorpus（附链接）
来源：AINLP
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
- 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 |
|---|---|
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 |
waimai_10k | 某外卖平台收集的用户评价，正向 4000 条，负向 约 8000 条 |
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 |
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 |
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 |
dmsc_v2 | 28 部电影，超 70 万 用户，超 200 万条 评分/评论 数据 |
yf_dianping | 24 万家餐馆，54 万用户，440 万条评论/评分数据 |
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 |
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 |
|---|---|
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 |
dmsc_v2 | 28 部电影，超 70 万 用户，超 200 万条 评分/评论 数据 |
yf_dianping | 24 万家餐馆，54 万用户，440 万条评论/评分数据 |
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 |
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
- 下载地址：https://github.com/ Embedding/Chinese-Word-Vectors
中文完形填空数据集
- 下载地址：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。
- 下载地址：https://github.com/chinese-poetry/chinese-poetry
保险行业语料库
- 下载地址：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
- 下载地址：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
编辑：于腾凯