最全中文自然语言处理数据集、平台和工具整理

2019 年 6 月 22 日 深度学习与NLP
 

    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分词: https://github.com/yanyiwu/cppjieba

往期精品内容推荐

吴恩达-中文完整版《Mechine Learning Yearning》分享

10月最新-深度强化学习圣经-《Reinforcement Learning-第二版》

2018-Geoffrey Hinton-深度学习基础

2018/2019/校招/春招/秋招/自然语言处理/深度学习/机器学习知识要点及面试笔记

深度学习实战-从源码解密AlphGo Zero背后基本原理

多任务强化学习蒸馏与迁移学习

最新深度学习面试题目及答案集锦

基于深度学习的文本分类6大算法-原理、结构、论文、源码打包分享

一文告诉你Adam、AdamW、Amsgrad区别和联系,助你实现Super-convergence的终极目标

历史最全-16个推荐系统开放公共数据集整理分享

AI教父-深度学习之父-Geffery Hinton个人简介

997篇-历史最全生成对抗网络(GAN)论文串烧

谷歌、微软、Facebook等2018最新面试题分享

扫描下方二维码可以订阅哦!

DeepLearning_NLP

深度学习与NLP

       商务合作请联系微信号:lqfarmerlq

登录查看更多
34

相关内容

数据集,又称为资料集、数据集合或资料集合,是一种由数据所组成的集合。
Data set(或dataset)是一个数据的集合,通常以表格形式出现。每一列代表一个特定变量。每一行都对应于某一成员的数据集的问题。它列出的价值观为每一个变量,如身高和体重的一个物体或价值的随机数。每个数值被称为数据资料。对应于行数,该数据集的数据可能包括一个或多个成员。
深度学习自然语言处理概述,216页ppt,Jindřich Helcl
专知会员服务
208+阅读 · 2020年4月26日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
93+阅读 · 2019年12月23日
六篇 EMNLP 2019【图神经网络(GNN)+NLP】相关论文
专知会员服务
71+阅读 · 2019年11月3日
[综述]深度学习下的场景文本检测与识别
专知会员服务
76+阅读 · 2019年10月10日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
学习自然语言处理路线图
专知会员服务
132+阅读 · 2019年9月24日
下载 | 最全中文文本分类模型库,上手即用
机器学习算法与Python学习
30+阅读 · 2019年10月17日
中文自然语言处理数据集:ChineseNLPCorpus
AINLP
31+阅读 · 2019年6月21日
别找了,送你 20 个文本数据集
机器学习算法与Python学习
66+阅读 · 2019年5月17日
中文NLP福利!大规模中文自然语言处理语料
新智元
37+阅读 · 2019年2月13日
干货下载 | 中文自然语言处理 语料/数据集
七月在线实验室
30+阅读 · 2018年12月27日
资源 | 中文NLP资源库
机器学习算法与Python学习
20+阅读 · 2018年11月22日
自然语言处理(NLP)数据集整理
论智
20+阅读 · 2018年4月8日
Arxiv
11+阅读 · 2019年6月19日
Arxiv
21+阅读 · 2019年3月25日
Arxiv
8+阅读 · 2019年3月21日
Arxiv
14+阅读 · 2018年5月15日
Arxiv
5+阅读 · 2018年1月30日
Arxiv
3+阅读 · 2017年12月18日
VIP会员
相关VIP内容
深度学习自然语言处理概述,216页ppt,Jindřich Helcl
专知会员服务
208+阅读 · 2020年4月26日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
93+阅读 · 2019年12月23日
六篇 EMNLP 2019【图神经网络(GNN)+NLP】相关论文
专知会员服务
71+阅读 · 2019年11月3日
[综述]深度学习下的场景文本检测与识别
专知会员服务
76+阅读 · 2019年10月10日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
学习自然语言处理路线图
专知会员服务
132+阅读 · 2019年9月24日
相关资讯
下载 | 最全中文文本分类模型库,上手即用
机器学习算法与Python学习
30+阅读 · 2019年10月17日
中文自然语言处理数据集:ChineseNLPCorpus
AINLP
31+阅读 · 2019年6月21日
别找了,送你 20 个文本数据集
机器学习算法与Python学习
66+阅读 · 2019年5月17日
中文NLP福利!大规模中文自然语言处理语料
新智元
37+阅读 · 2019年2月13日
干货下载 | 中文自然语言处理 语料/数据集
七月在线实验室
30+阅读 · 2018年12月27日
资源 | 中文NLP资源库
机器学习算法与Python学习
20+阅读 · 2018年11月22日
自然语言处理(NLP)数据集整理
论智
20+阅读 · 2018年4月8日
相关论文
Arxiv
11+阅读 · 2019年6月19日
Arxiv
21+阅读 · 2019年3月25日
Arxiv
8+阅读 · 2019年3月21日
Arxiv
14+阅读 · 2018年5月15日
Arxiv
5+阅读 · 2018年1月30日
Arxiv
3+阅读 · 2017年12月18日
Top
微信扫码咨询专知VIP会员