【NLP】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%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