最全中文自然语言处理数据集、平台和工具整理
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，爬取的链接：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/cppj