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

数据集概述

文本分类

• 今日头条中文新闻（短文本）分类数据集

  • 数据规模：38万条，分布于15个分类中。
  • 采集时间：2018年05月。
  • 数据分割：0.7 0.15 0.15。

• 清华新闻分类语料

  • 数据来源：新浪新闻RSS订阅频道2005~2011年历史数据。
  • 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

  • 数据详情：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	下载地址
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

  • 数据详情：https://github.com/hltcoe/golden-horse

• boson数据

  • 包含6种实体类型。
  • 数据详情：https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/boson

• 人民日报数据集

  • 实体类型：人名、地名、组织名。
  • 1998年数据：https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/renMinRiBao
  • 2004年数据：https://pan.baidu.com/s/1LDwQjoj7qc-HT9qwhJ3rcA password: 1fa3

• MSRA微软亚洲研究院数据集

  • 包含5万多条中文命名实体识别标注数据（包括地点、机构、人物）。
  • 数据详情：https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/MSRA

搜索匹配

• OPPO手机搜索排序

  • 数据集：query-title语义匹配数据集。
  • 下载链接：https://pan.baidu.com/s/1Hg2Hubsn3GEuu4gubbHCzw 提取码:7p3n

• 网页搜索结果评价(SogouE)

  • 数据包含用户查询及相关URL列表。
  • 数据详情：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

  • 数据下载：https://dumps.wikimedia.org/zhwiki/

• 百度百科

  • 数据爬取链接：https://pan.baidu.com/share/init?surl=i3wvfil提取码 neqs 。

指代消歧

• CoNLL 2012
  • 数据详情：http://conll.cemantix.org/2012/data.html

预训练

• BERT

  • 模型下载：BERT-Base, Chinese: Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters

• ELMO

  • 预训练的模型：https://allennlp.org/elmo

• 腾讯词向量

  • 包含800多万中文词汇，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

  • 数据详情：https://github.com/Embedding/Chinese-Word-Vectors

中文完形填空数据集

• 数据详情：https://github.com/ymcui/Chinese-RC-Dataset

中华古诗词数据库

• 包含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。
• 数据详情：https://github.com/chinese-poetry/chinese-poetry

保险行业语料库

• 数据详情：https://github.com/Samurais/insuranceqa-corpus-zh

汉语拆字字典

• 数据详情：https://github.com/kfcd/chaizi

中文数据集平台

• 搜狗实验室

  • 提供高质量的中文文本数据集，多为2012年以前的数据。
  • 数据详情：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

  • 数据详情：http://www.nlpir.org/?action-category-catid-28

• 中文语料小数据

  • 包含中文命名实体识别、中文关系识别、中文阅读理解等小量数据。
  • 数据详情：https://github.com/crownpku/Small-Chinese-Corpus

• 维基百科数据集

  • 数据下载：https://dumps.wikimedia.org/

NLP工具

• THULAC

  • 包括中文分词、词性标注功能。
  • 数据详情：https://github.com/thunlp/THULAC

• HanLP

  • 数据详情：https://github.com/hankcs/HanLP

• 哈工大LTP

  • 数据详情：https://github.com/HIT-SCIR/ltp

• NLPIR

  • 数据详情：https://github.com/NLPIR-team/NLPIR

• jieba

  • 数据详情：https://github.com/yanyiwu/cppjieba

搜集汇总

数据集介绍

构建方式

ChineseNlpCorpus 数据集的构建汇集了多种中文自然语言处理相关的子数据集，涵盖了文本分类、情感分析、实体识别、搜索匹配、推荐系统等多个领域。构建过程中，数据集的采集多来源于互联网公开资源，包括社交媒体、新闻网站、电子商务平台等，经过筛选、清洗、标注等步骤，形成了具有特定格式和用途的数据集。

特点

该数据集的特点在于其多样性、广泛性和实用性。多样性体现在包含了多种类型的自然语言处理任务所需的数据；广泛性则表现在数据来源的广泛，涵盖了多个领域的文本信息；实用性则在于这些数据集可直接应用于模型训练、算法研究和效果评估等自然语言处理的相关工作中。

使用方法

用户可根据自身的需求选择合适的数据集进行下载。数据集的使用通常涉及数据加载、预处理、特征提取等步骤。用户需要了解各数据集的具体格式和内容，以便正确地加载和使用数据。此外，部分数据集可能需要用户自行爬取或通过外部链接获取。

背景与挑战

背景概述

ChineseNlpCorpus是一个集合了多种中文自然语言处理相关数据集的资源库，旨在为研究者提供丰富的实验材料。该数据集涵盖了文本分类、情感分析、实体识别、搜索匹配、推荐系统等多个领域。它的创建并非由单一机构或研究人员发起，而是由多个数据集汇集而成， earliest 可追溯至2005年。这些数据集的构建，对推动中文自然语言处理技术的发展起到了积极作用，特别是在提升模型的文本理解、情感分析和实体识别等方面有着重要影响。

当前挑战

尽管ChineseNlpCorpus为中文NLP研究提供了宝贵的资源，但在使用过程中也存在一些挑战。首先，不同数据集的标注质量和一致性存在差异，这可能会影响模型训练的效果。其次，部分数据集的采集时间较早，可能无法反映当前的语言使用习惯和网络环境的变化。此外，随着数据规模的扩大，数据集的存储和计算要求也随之提高，对研究者的硬件和计算能力提出了挑战。

常用场景

经典使用场景

ChineseNlpCorpus 数据集广泛应用于中文自然语言处理领域，其经典使用场景包括文本分类、情感/观点/评论倾向性分析、实体识别与词性标注、搜索匹配、推荐系统等研究。特别是在文本分类方面，该数据集提供了丰富的新闻分类和社交媒体文本分类案例，为研究者提供了宝贵的实验材料。

衍生相关工作

ChineseNlpCorpus 数据集衍生了众多相关研究工作，如基于数据集的文本分类算法比较研究、情感分析模型的性能评估、实体识别和词性标注工具的开发等。此外，该数据集也促进了跨领域的研究，如结合自然语言处理和推荐系统，实现了更智能的内容推荐。

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数据集为研究者提供了丰富的资源。目前，该数据集在文本分类、情感分析、实体识别、搜索匹配和推荐系统等多个研究方向得到了广泛应用。其中，文本分类领域的研究者利用今日头条中文新闻等分类数据集，探索深度学习模型在细粒度分类任务上的效果；情感分析方向，研究者基于微博、电商平台等评论文本，深入挖掘用户情感倾向，以提升情感预测的准确性；实体识别研究则侧重于利用人民日报、MSRA等标注数据集，提升命名实体识别的召回率和精确度。这些研究不仅推动了中文自然语言处理技术的发展，也为相关产业应用提供了强有力的支撑。