最全中文自然语言处理数据集、平台和工具整理
最全中文自然语言处理数据集、平台和工具整理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%A5rnn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https://img-blog.csdnimg.cn/img_convert/d80f33746e8ea077d1612e14a48dc232.png实体识别&词性标注微博实体识别https://github.com/hltcoe/golden-horseboson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/renMinRiBao2004：https://pan.baidu.com/s/1LDwQjoj7qc-HT9qwhJ3rcA password: 1fa3MSRA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/MSRASIGHAN 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https://img-blog.csdnimg.cn/img_convert/d397c66b1ea1ba236ed12dc1f3f7e280.png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，爬取的链接：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 parametersELMO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/ltpNLPIR： https://github.com/NLPIR-team/NLPIRjieba分词： https://github.com/yanyiwu/cppj
页:
[1]