ocr中文数据集_中文自然语言处理数据集：ChineseNLPCorpus（附链接）

最新推荐文章于 2024-04-11 20:42:10 发布

weixin_39540018

最新推荐文章于 2024-04-11 20:42:10 发布

阅读量724

点赞数 1

文章标签： ocr中文数据集

来源：AINLP

本文约1300字，建议阅读5分钟。

本文为你推荐中文自然语言处理数据集。

推荐一个Github项目：ChineseNLPCorpus，该项目收集了一批中文自然语言处理数据集的相关链接，可以用来练手，点击阅读原文可以直达该项目链接：

https://github.com/InsaneLife/ChineseNLPCorpus

以下来自该项目介绍页

中文自然语言处理数据集，平时做做实验的材料。欢迎补充提交合并。

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

数据集数据概览ChnSentiCorp_htl_all

7000 多条酒店评论数据，5000 多条正向评论，2000 多条负向评论

waimai_10k

某外卖平台收集的用户评价，正向 4000 条，负向约 8000 条

online_shopping_10_cats

10 个类别，共 6 万多条评论数据，正、负向评论各约 3 万条，包括书籍、平板、手机、水果、洗发水、热水器、蒙牛、衣服、计算机、酒店

weibo_senti_100k

10 万多条，带情感标注新浪微博，正负向评论约各 5 万条

simplifyweibo_4_moods

36 万多条，带情感标注新浪微博，包含 4 种情感，其中喜悦约 20 万条，愤怒、厌恶、低落各约 5 万条

dmsc_v2

28 部电影，超 70 万用户，超 200 万条评分/评论数据

yf_dianping

24 万家餐馆，54 万用户，440 万条评论/评分数据

yf_amazon

52 万件商品，1100 多个类目，142 万用户，720 万条评论/评分数据

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
1998年人民日报数据集。
人名、地名、组织名三种实体类型
https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/renMinRiBao
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。

下载链接：

https://pan.baidu.com/s/1Obm8oRVZEIh76-cpPc0qZw

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

数据集数据概览ez_douban

5 万多部电影(3 万多有电影名称，2 万多没有电影名称)，2.8 万用户，280 万条评分数据

dmsc_v2

28 部电影，超 70 万用户，超 200 万条评分/评论数据

yf_dianping

24 万家餐馆，54 万用户，440 万条评论/评分数据

yf_amazon

52 万件商品，1100 多个类目，142 万用户，720 万条评论/评分数据

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

下载地址：https://github.com/
Embedding/Chinese-Word-Vectors

中文完形填空数据集

下载地址：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。

下载地址：https://github.com/chinese-poetry/chinese-poetry

保险行业语料库

下载地址：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

下载地址：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 ：https://github.com/yanyiwu/cppjieba

编辑：于腾凯

— 完 —

关注清华-青岛数据科学研究院官方微信公众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。