ChineseNlpCorpus

中文自然语言处理数据集，包含文本分类、情感分析、实体识别等多个领域的数据集，用于实验和研究。

A Chinese natural language processing dataset encompassing various domains such as text classification, sentiment analysis, and entity recognition, designed for experimental and research purposes.

原始信息汇总

ChineseNlpCorpus 数据集概述

文本分类

新闻分类

• 今日头条中文新闻（短文本）分类数据集
  • 数据规模：共38万条，分布于15个分类中。
  • 采集时间：2018年05月。
• 清华新闻分类语料
  • 数据量：74万篇新闻文档（2.19 GB）
  • 可筛选类别：体育, 财经, 房产, 家居, 教育, 科技, 时尚, 时政, 游戏, 娱乐
• 中科大新闻分类语料库

情感/观点/评论 倾向性分析

数据集	数据概览	下载
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	地址
waimai_10k	某外卖平台收集的用户评价，正向 4000 条，负向 约 8000 条	地址
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	地址
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	地址
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	地址
dmsc_v2	28 部电影，超 70 万 用户，超 200 万条 评分/评论 数据	地址
yf_dianping	24 万家餐馆，54 万用户，440 万条评论/评分数据	地址
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	地址

实体识别&词性标注

• 微博实体识别
• boson数据
  • 包含6种实体类型。
• 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）
• SIGHAN Bakeoff 2005
  • 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
  • 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

数据集	数据概览	下载地址
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	点击查看
dmsc_v2	28 部电影，超 70 万 用户，超 200 万条 评分/评论 数据	点击查看
yf_dianping	24 万家餐馆，54 万用户，440 万条评论/评分数据	点击查看
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	点击查看

百科数据

• 维基百科
  • 维基百科会定时将语料库打包发布。
• 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

BERT

1. 开源代码：https://github.com/google-research/bert
2. 模型下载：BERT-Base, Chinese: Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters

ELMO

1. 开源代码：https://github.com/allenai/bilm-tf
2. 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 https://github.com/yanyiwu/cppjieba

搜集汇总

数据集介绍

构建方式

ChineseNlpCorpus数据集的构建方式主要依赖于多个公开的中文自然语言处理资源，涵盖了新闻分类、情感分析、实体识别、词性标注、搜索匹配、推荐系统等多个领域。数据来源包括今日头条、新浪新闻、微博、外卖平台、电影评论、餐馆评价等，通过筛选、过滤和标注生成高质量的中文语料库。部分数据集还通过RSS订阅、用户评论和评分等方式进行采集，确保了数据的多样性和广泛性。

特点

ChineseNlpCorpus数据集的特点在于其丰富的数据类型和广泛的应用场景。数据集涵盖了新闻、评论、微博、电影、餐馆、商品等多种文本类型，且每个数据集都经过精细的标注和分类，便于进行文本分类、情感分析、实体识别等任务。数据规模庞大，部分数据集包含数十万甚至数百万条记录，能够满足大规模机器学习模型的需求。此外，数据集还提供了多种预训练模型和词向量，为中文自然语言处理研究提供了强有力的支持。

使用方法

ChineseNlpCorpus数据集的使用方法灵活多样，适用于多种自然语言处理任务。用户可以通过GitHub页面获取数据集的下载链接和详细说明，按照需求选择适合的数据集进行实验。数据集通常以CSV或JSON格式提供，便于直接导入到机器学习框架中进行处理。对于文本分类任务，用户可以使用数据集中的新闻分类或情感分析数据进行模型训练和评估；对于实体识别任务，可以使用人民日报或MSRA数据集进行标注和识别。此外，数据集还提供了预训练模型和词向量，用户可以直接加载这些模型进行迁移学习或特征提取。

背景与挑战

背景概述

ChineseNlpCorpus是一个专注于中文自然语言处理的数据集集合，旨在为研究人员和开发者提供丰富的实验材料。该数据集由多个子集构成，涵盖了文本分类、情感分析、实体识别、词性标注、搜索匹配、推荐系统等多个自然语言处理任务。其创建时间可追溯至2018年，主要贡献者包括SophonPlus等开源社区成员。该数据集的核心研究问题在于如何通过多样化的中文语料库，提升自然语言处理模型在中文语境下的表现。ChineseNlpCorpus的发布为中文自然语言处理领域的研究提供了重要的数据支持，推动了相关技术的进步。

当前挑战

ChineseNlpCorpus在构建和应用过程中面临多重挑战。首先，中文语言的复杂性和多样性使得数据标注和清洗工作尤为困难，尤其是在情感分析和实体识别等任务中，标注的准确性和一致性难以保证。其次，数据集的规模和质量参差不齐，部分子集的数据量较小，难以支持大规模模型的训练。此外，数据集的更新和维护也面临挑战，随着语言使用习惯的变化，旧有数据可能不再适用于当前的研究需求。最后，数据集的多样性和任务复杂性对模型的泛化能力提出了更高的要求，如何在多任务学习中实现高效的知识迁移仍是一个亟待解决的问题。

常用场景

经典使用场景

ChineseNlpCorpus数据集在中文自然语言处理领域具有广泛的应用，尤其在文本分类、情感分析、实体识别和推荐系统等任务中表现突出。例如，新闻分类数据集如今日头条中文新闻和清华新闻分类语料，为研究者提供了丰富的短文本和长文本数据，支持从基础到复杂的分类模型训练。情感分析数据集如ChnSentiCorp_htl_all和weibo_senti_100k，则帮助研究者深入理解用户评论的情感倾向，提升情感预测的准确性。

衍生相关工作

ChineseNlpCorpus数据集衍生了许多经典的自然语言处理工作。例如，基于该数据集的文本分类研究，推动了卷积神经网络（CNN）和循环神经网络（RNN）在中文文本分类中的应用。情感分析研究则利用该数据集开发了多种情感预测模型，提升了情感分析的准确性和鲁棒性。此外，实体识别研究通过使用人民日报和MSRA数据集，提出了多种高效的命名实体识别算法，为中文信息抽取技术的发展奠定了基础。

数据集最近研究

最新研究方向

在中文自然语言处理领域，ChineseNlpCorpus数据集的最新研究方向聚焦于多模态情感分析和预训练语言模型的优化。随着社交媒体和电子商务平台的快速发展，情感分析在用户评论、产品推荐等场景中的应用日益广泛。研究者们利用该数据集中的微博、酒店评论和电影评分等数据，探索情感分类的深度学习方法，尤其是结合BERT等预训练模型的多模态情感分析技术。此外，针对中文语言特点，研究者们也在不断优化预训练模型，如通过引入腾讯词向量和中华古诗词数据库，提升模型在特定领域的表现。这些研究不仅推动了中文自然语言处理技术的发展，也为实际应用场景提供了更精准的解决方案。