维基百科中文词条
维基百科开源的中文词条内容,收集了99W+词条,当然比百度少了不少。
有效处理该原始语料的方法主要有两个:1、Wikipedia Extractor;2、gensim的wikicorpus库。
两种处理都比较粗糙,导致:
- Wikipedia Extractor提取出来的结果,会去掉很多空格与括号里面的内容;
- gensim.corpora.wikicorpus.WikiCorpus处理,问题更严重,因为它连所有标点都去掉了。
本篇code见:mattzheng/ChineseWiki
先下载语料文件:下载地址
zhwiki-20180301-pages-articles-multistream.xml.bz2 是主文件;
zhwiki-20180301-pages-articles-mu