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

最全中文自然语言处理数据集、平台和工具整理_第1张图片

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

最全中文自然语言处理数据集、平台和工具整理_第2张图片

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

你可能感兴趣的:(自然语言处理,深度学习,人工智能)