【NLP】最全中文自然語言處理數(shù)據(jù)集、平臺和工具整理

    資源整理了文本分類、實體識別&詞性標(biāo)注、搜索匹配、推薦系統(tǒng)、指代消歧、百科數(shù)據(jù)、預(yù)訓(xùn)練詞向量or模型、中文完形填空等大量數(shù)據(jù)集，中文數(shù)據(jù)集平臺和NLP工具等。

    本文內(nèi)容整理自：https://github.com/InsaneLife/ChineseNLPCorpus

文本分類

    新聞分類

    今日頭條中文新聞（短文本）分類數(shù)據(jù)集 ：https://github.com/fateleak/toutiao-text-classfication-dataset

    數(shù)據(jù)規(guī)模：共38萬條，分布于15個分類中。

    采集時間：2018年05月。

    以0.7 0.15 0.15做分割 。

    清華新聞分類語料：

    根據(jù)新浪新聞RSS訂閱頻道2005~2011年間的歷史數(shù)據(jù)篩選過濾生成。

    數(shù)據(jù)量：74萬篇新聞文檔（2.19 GB）

    小數(shù)據(jù)實驗可以篩選類別：體育, 財經(jīng), 房產(chǎn), 家居, 教育, 科技, 時尚, 時政, 游戲, 娛樂

    http://thuctc.thunlp.org/#%E8%8E%B7%E5%8F%96%E9%93%BE%E6%8E%A5

    rnn和cnn實驗：https://github.com/gaussic/text-classification-cnn-rnn

    中科大新聞分類語料庫：http://www.nlpir.org/?action-viewnews-itemid-145

    情感/觀點/評論 傾向性分析

實體識別&詞性標(biāo)注

    微博實體識別

    https://github.com/hltcoe/golden-horse

    boson數(shù)據(jù)

    包含6種實體類型。

    https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/boson

    人民日報數(shù)據(jù)集

    人名、地名、組織名三種實體類型

    1998：https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/renMinRiBao

    2004：https://pan.baidu.com/s/1LDwQjoj7qc-HT9qwhJ3rcA password: 1fa3

    MSRA微軟亞洲研究院數(shù)據(jù)集

    5 萬多條中文命名實體識別標(biāo)注數(shù)據(jù)（包括地點、機構(gòu)、人物）

    https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/MSRA

    SIGHAN Bakeoff 2005：一共有四個數(shù)據(jù)集，包含繁體中文和簡體中文，下面是簡體中文分詞數(shù)據(jù)。

    MSR: http://sighan.cs.uchicago.edu/bakeoff2005/

    PKU ：http://sighan.cs.uchicago.edu/bakeoff2005/

搜索匹配

    OPPO手機搜索排序

    OPPO手機搜索排序query-title語義匹配數(shù)據(jù)集。

    鏈接:https://pan.baidu.com/s/1Hg2Hubsn3GEuu4gubbHCzw 提取碼:7p3n

    網(wǎng)頁搜索結(jié)果評價(SogouE)

    用戶查詢及相關(guān)URL列表

    https://www.sogou.com/labs/resource/e.php

推薦系統(tǒng)

百科數(shù)據(jù)

    維基百科

    維基百科會定時將語料庫打包發(fā)布：

    數(shù)據(jù)處理博客

    https://dumps.wikimedia.org/zhwiki/

    百度百科

    只能自己爬，爬取得鏈接：https://pan.baidu.com/share/init?surl=i3wvfil提取碼 neqs 。

指代消歧

    CoNLL 2012 ：http://conll.cemantix.org/2012/data.html

預(yù)訓(xùn)練：（詞向量or模型）

    BERT

    開源代碼：https://github.com/google-research/bert

    模型下載：BERT-Base, Chinese: Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters

    ELMO

    開源代碼：https://github.com/allenai/bilm-tf

    預(yù)訓(xùn)練的模型：https://allennlp.org/elmo

    騰訊詞向量

    騰訊AI實驗室公開的中文詞向量數(shù)據(jù)集包含800多萬中文詞匯，其中每個詞對應(yīng)一個200維的向量。

    下載地址：https://ai.tencent.com/ailab/nlp/embedding.html

    上百種預(yù)訓(xùn)練中文詞向量

    https://github.com/Embedding/Chinese-Word-Vectors

中文完形填空數(shù)據(jù)集

    https://github.com/ymcui/Chinese-RC-Dataset

中華古詩詞數(shù)據(jù)庫

    最全中華古詩詞數(shù)據(jù)集，唐宋兩朝近一萬四千古詩人, 接近5.5萬首唐詩加26萬宋詩. 兩宋時期1564位詞人，21050首詞。

    https://github.com/chinese-poetry/chinese-poetry

保險行業(yè)語料庫

    https://github.com/Samurais/insuranceqa-corpus-zh

漢語拆字字典

    英文可以做char embedding，中文不妨可以試試拆字

    https://github.com/kfcd/chaizi

中文數(shù)據(jù)集平臺

    搜狗實驗室

    搜狗實驗室提供了一些高質(zhì)量的中文文本數(shù)據(jù)集，時間比較早，多為2012年以前的數(shù)據(jù)。

    https://www.sogou.com/labs/resource/list_pingce.php

    中科大自然語言處理與信息檢索共享平臺

    http://www.nlpir.org/?action-category-catid-28

    中文語料小數(shù)據(jù)

    包含了中文命名實體識別、中文關(guān)系識別、中文閱讀理解等一些小量數(shù)據(jù)。

    https://github.com/crownpku/Small-Chinese-Corpus

    維基百科數(shù)據(jù)集

    https://dumps.wikimedia.org/

NLP工具

    THULAC：https://github.com/thunlp/THULAC ：包括中文分詞、詞性標(biāo)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分詞： https://github.com/yanyiwu/cppjieba