优质中文NLP资源集合

今天要给大家在推荐 Github 上一个优质的中文 NLP 工具和资源集合项目——funNLP，已经获得了 5.3k Stars，1k+ Forks。

 

项目作者 杨洋，一枚水博&互联网民工，目前主要从事文本分类，信息抽取等自然语言处理研发工作；兴趣包括：语言资源构建、信息抽取与知识图谱、舆情分析等。喜欢分享一些小知识，设有知乎专栏《机器学习小知识》

 

作者把自己使用的一些资源或工具包整理成这个集合项目，并且会不断更新。项目已经里面不乏很多有用和有趣的内容，包含 50 多个资源或工具，比如很多有用的词库：中英文敏感词、暴恐词表、文人名库、中文缩写库、停用词、公司名字大全、成语词库、地名词库百度中文问答数据集......非常值得学习研究 NLP 项目的同学们收藏！

 

除了几十个的优质资源汇总外，作者的另一个中文 NLP 工具包——coco NLP，也很实用，目前应用在寻找失踪人口项目中。通过这个工具包，大家可以直接从文本信息中抽取一些基本信息，比如手机号、邮箱、手机归属地、时间点、地址和一些词组信息。

 

0.先给大家 coco NLP 工具的地址：

 

https://github.com/fighting41love/cocoNLP

 

因为这个工具里也包含了第一个项目中提到的一些资源，下面我们所列的其他资源，就不再列出重复资源的地址了，比如：phone 中国手机归属地查询、抽取email的正则表达式、抽取phone_number的正则表达式、人名语料库、时间抽取等。

 

营长列出了其他一些主要资源的地址，大家还可以从文章最后给出的项目地址中访问更多。也感谢开源这些资源的作者，如果下面有提到你的项目，欢迎给我们留言，让营长发现可爱的你们~

 

1. textfilter: 中英文敏感词过滤 

https://github.com/observerss/textfilter

 

2. langid：97种语言检测 

https://github.com/saffsd/langid.py

 

3. langdetect：检测另一种语言

https://code.google.com/archive/p/language-detection/

 

4. phone国际手机、电话归属地查询：

https://github.com/AfterShip/phone

 

6. ngender：根据名字判断性别，基于朴素贝叶斯计算的概率

https://github.com/observerss/ngender

 

7.抽取身份证号的正则表达式

IDCards_pattern = r'^([1-9]\d{5}[12]\d{3}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])\d{3}[0-9xX])$'

IDs = re.findall(IDCards_pattern, text, flags=0)

 

8.中文缩写库

https://github.com/zhangyics/Chinese-abbreviation-dataset/blob/master/dev_set.txt

 

9.汉语拆字词典

https://github.com/kfcd/chaizi

 

10.词汇情感值

https://github.com/rainarch/SentiBridge/blob/master/Entity_Emotion_Express/CCF_data/pair_mine_result

 

11.中文词库、停用词、敏感词，此 package 的敏感词库分类更细，包含反动词库， 敏感词库表统计， 暴恐词库， 民生词库， 色情词库

https://github.com/fighting41love/Chinese_from_dongxiexidian

 

12.汉字转拼音

https://github.com/mozillazg/python-pinyin

 

13.同义词库、反义词库、否定词库

https://github.com/guotong1988/chinese_dictionary

 

14.无空格英文串分割、抽取单词

https://github.com/keredson/wordninja

 

15.THU整理的词库，包含 IT词库、财经词库、成语词库、地名词库、历史名人词库、诗词词库、医学词库、饮食词库、法律词库、汽车词库、动物词库

http://thuocl.thunlp.org/sendMessage

 

16.百度中文问答数据集

链接：

https://pan.baidu.com/s/1QUsKcFWZ7Tg1dk_AbldZ1A

提取码: 2dva

 

17.Bert 资源

（1）文本分类实践

https://github.com/NLPScott/bert-Chinese-classification-task

 

（2）Bert Tutorial 文本分类教程

https://github.com/Socialbird-AILab/BERT-Classification-Tutorial

 

（3）Bert pytorch实现

https://github.com/huggingface/pytorch-pretrained-BERT

 

（4）Bert用于中文命名实体识别，tensorflow版本

https://github.com/macanv/BERT-BiLSTM-CRF-NER

 

（5）Bert 基于 Keras 的封装分类标注框架 Kashgari，几分钟即可搭建一个分类或者序列标注模型

https://github.com/BrikerMan/Kashgari

 

（6）Bert、ELMO的图解

https://jalammar.github.io/illustrated-bert/

 

（7）BERT: Pre-trained models and downstream applications

https://github.com/asyml/texar/tree/master/examples/bert

 

更多优质资源可访问：

 

https://github.com/fighting41love/funNLP

转自：https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/87899215