CLUEDatasetSearch

中英文NLP数据集，包含多个子数据集，如NER、QA等，用于支持中文和英文的自然语言处理研究。

The Chinese-English NLP dataset encompasses multiple sub-datasets, such as NER (Named Entity Recognition) and QA (Question Answering), designed to support natural language processing research in both Chinese and English.

原始信息汇总

数据集概述

命名实体识别（NER）

ID	标题	更新日期	数据集提供者	许可	说明	关键字	类别	论文地址	备注
1	CCKS2017中文电子病例命名实体识别	2017年5月	北京极目云健康科技有限公司		数据来源于其云医院平台的真实电子病历数据，共计800条（单个病人单次就诊记录），经脱敏处理	电子病历	命名实体识别		中文
2	CCKS2018中文电子病例命名实体识别	2018年	医渡云（北京）技术有限公司		CCKS2018的电子病历命名实体识别的评测任务提供了600份标注好的电子病历文本，共需识别含解剖部位、独立症状、症状描述、手术和药物五类实体	电子病历	命名实体识别		中文
3	微软亚研院MSRA命名实体识别识别数据集		MSRA		数据来源于MSRA，标注形式为BIO，共有46365条语料	Msra	命名实体识别		中文
4	1998人民日报语料集实体识别标注集	1998年1月	人民日报		数据来源为98年人民日报，标注形式为BIO，共有23061条语料	98人民日报	命名实体识别		中文
5	Boson		玻森数据		数据来源为Boson，标注形式为BMEO,共有2000条语料	Boson	命名实体识别		中文
6	CLUE Fine-Grain NER	2020年	CLUE		CLUENER2020数据集，是在清华大学开源的文本分类数据集THUCTC基础上，选出部分数据进行细粒度命名实体标注，原数据来源于Sina News RSS。数据包含10个标签类别，训练集共有10748条语料，验证集共有1343条语料	细粒度；CULE	命名实体识别		中文
7	CoNLL-2003	2003	CNTS - Language Technology Group		数据来源于CoNLL-2003的任务，该数据标注了包括PER, LOC, ORG和MISC的四个类别	CoNLL-2003	命名实体识别	论文	英文
8	微博实体识别	2015年	https://github.com/hltcoe/golden-horse		EMNLP-2015	命名实体识别
9	SIGHAN Bakeoff 2005	2005年	MSR/PKU		bakeoff-2005	命名实体识别

问答（QA）

ID	标题	更新日期	数据集提供者	许可	说明	关键字	类别	论文地址	备注
1	NewsQA	2019/9/13	微软研究院		Maluuba NewsQA数据集的目的是帮助研究社区构建能够回答需要人类水平的理解和推理技能的问题的算法。包含超过12000篇新闻文章和120,000答案，每篇文章平均616个单词，每个问题有2～3个答案。	英文	QA	论文
2	SQuAD		斯坦福		斯坦福问答数据集（SQuAD）是一个阅读理解数据集，由维基百科的一组文章上提出的问题组成，其中每个问题的答案都是一段文本，可能来自相应的阅读段落，或者问题可能是未解答的。	英文	QA	论文
3	SimpleQuestions		Facebook		基于存储网络的大规模简单问答系统, 数据集提供了一个多任务问答数据集，数据集有100K简单问题的回答。	英文	QA	论文
4	WikiQA	2016/7/14	微软研究院		为了反映一般用户的真实信息需求，WikiQA使用Bing查询日志作为问题源。每个问题都链接到一个可能有答案的维基百科页面。因为维基百科页面的摘要部分提供了关于这个主题的基本且通常最重要的信息，所以使用本节中的句子作为候选答案。在众包的帮助下，数据集中包括3047个问题和29258个句子，其中1473个句子被标记为对应问题的回答句子。	英文	QA	论文
5	cMedQA	2019/2/25	Zhang Sheng		医学在线论坛的数据，包含5.4万个问题，及对应的约10万个回答。	中文	QA	论文
6	cMedQA2	2019/1/9	Zhang Sheng		cMedQA的扩展版，包含约10万个医学相关问题，及对应的约20万个回答。	中文	QA	论文
7	webMedQA	2019/3/10	He Junqing		一个医学在线问答数据集，包含6万个问题和31万个回答，而且包含问题的类别。	中文	QA	论文
8	XQA	2019/7/29	清华大学		该篇文章主要是针对开放式问答构建了一个跨语言的开放式问答数据集，该数据集（训练集、测试集）主要包括九种语言，9万多个问答。	多语言	QA	论文
9	AmazonQA	2019/9/29	亚马逊		卡耐基梅隆大学针对亚马逊平台上问题重复回答的痛点，提出了基于评论的QA模型任务，即利用先前对某一产品的问答，QA系统自动总结出一个答案给客户	英文	QA	论文

情感分析

ID	标题	更新日期	数据集提供者	许可	说明	关键字	类别	论文地址	备注
1	NLPCC2013	2013	CCF		微博语料，标注了7 emotions: like, disgust, happiness, sadness, anger, surprise, fear。大小：14 000 条微博, 45 431句子	NLPCC2013, Emotion	情感分析	论文
2	NLPCC2014 Task1	2014	CCF		微博语料，标注了7 emotions: like, disgust, happiness, sadness, anger, surprise, fear。 大小：20000条微博	NLPCC2014, Emotion	情感分析
3	NLPCC2014 Task2	2014	CCF		微博语料，标注了正面和负面	NLPCC2014, Sentiment	情感分析
4	Weibo Emotion Corpus	2016	The Hong Kong Polytechnic University		微博语料，标注了7 emotions: like, disgust, happiness, sadness, anger, surprise, fear。 大小：四万多条微博	weibo emotion corpus	情感分析	Emotion Corpus Construction Based on Selection from Noisy Natural Labels
5	[RenCECPs](Fuji Ren can be contacted ([e-mail]) for a license agreement.)	2009	Fuji Ren		标注的博客语料库，在文档级、段落级和句子级标注了emotion和sentiment。包含了1500个博客，11000段落和35000句子。	RenCECPs, emotion, sentiment	情感分析	Construction of a blog emotion corpus for Chinese emotional expression analysis
6	weibo_senti_100k	不详	不详		带情感标注 新浪微博，正负向评论约各 5 万条	weibo senti, sentiment	情感分析
7	BDCI2018-汽车行业用户观点主题及情感识别	2018	CCF		汽车论坛中对汽车的评论，标注了汽车的诗歌主题：动力、价格、内饰、配置、安全性、外观、操控、油耗、空间、舒适性。每个主题标注了情感标签，情感分为3类，分别用数字0、1、-1表示中立、正向、负向。	属性情感分析 主题情感分析	情感分析
8	AI Challenger 细粒度用户评论情感分析	2o18	美团		餐饮评论，6个一级属性，20个二级属性，每个属性标注正面、负面、中性、未提及。	属性情感分析	情感分析
9	BDCI2019金融信息负面及主体判定	2019	中原银行		金融领域新闻，每个样本标记了实体列表以及负面实体列表。任务是判断一个样本是否是负面以及对应的负面的实体。	实体情感分析	情感分析
10	之江杯电商评论观点挖掘大赛	2019	之江实验室		本次品牌评论观点挖掘的任务是在商品评论中抽取商品属性特征和消费者观点，并确认其情感极性和属性种类。对于商品的某一个属性特征，存在着一系列描述它的观点词，它们代表了消费者对该属性特征的观点。每一组{商品属性特征，消费者观点}具有相应的情感极性（负面、中性、正面），代表了消费者对该属性的满意程度。此外，多个属性特征可以归入某一个属性种类，例如外观、盒子等属性特征均可归入包装这个属性种类。参赛队伍最终需提交对测试数据的抽取预测信息，包括属性特征词、观点词、观点极性和属性种类4个字段。	属性情感分析	情感分析
11	2019搜狐校园算法大赛	2019	搜狐		给定若干文章，目标是判断文章的核心实体以及对核心实体的情感态度。每篇文章识别最多三个核心实体，并分别判断文章对上述核心实体的情感倾向（积极、中立、消极三种）。实体：人、物、地区、机构、团体、企业、行业、某一特定事件等固定存在，且可以作为文章主体的实体词。核心实体：文章主要描述、或担任文章主要角色的实体词。	实体情感分析	情感分析

文本分类

| ID | 标题 | 更新日期 | 数据集提供者 | 许可 | 说明 | 关键字 | 类别 | 论文地址 | 备注 | | ---- | ------------------------------------------------------------ | ------------- |

搜集汇总

数据集介绍

构建方式

CLUEDatasetSearch数据集的构建基于对网络资源的广泛搜集与整理，涵盖了多个自然语言处理任务的中英文数据集。通过开放的上传接口，研究者和开发者可以贡献新的数据集信息，经过审核后纳入平台，形成一个动态更新的数据集集合。这种众包式的构建方式不仅丰富了数据集的多样性，还促进了社区的共同参与和知识共享。

特点

CLUEDatasetSearch数据集的特点在于其广泛覆盖了自然语言处理的多个领域，包括命名实体识别、问答系统、情感分析、文本分类、文本匹配等。数据集来源多样，既有来自学术竞赛的标注数据，也有来自企业和研究机构的公开数据。此外，数据集的语言涵盖了中文和英文，适用于跨语言的研究与应用。每个数据集都附有详细的元数据信息，如更新日期、提供者、许可协议等，便于用户快速了解和使用。

使用方法

使用CLUEDatasetSearch数据集时，用户可以通过其官方网站或GitHub页面进行搜索和下载。数据集通常以压缩包形式提供，解压后包含训练集、验证集和测试集。用户可以根据任务需求选择合适的数据集，并利用其提供的标注信息进行模型训练和评估。此外，平台还提供了clueai工具包，支持零样本学习，帮助用户快速上手NLP开发。对于有贡献意愿的用户，可以通过上传数据集信息参与项目，成为贡献者。

背景与挑战

背景概述

CLUEDatasetSearch是一个专注于中文自然语言处理（NLP）的数据集集合，由CLUE（Chinese Language Understanding Evaluation）团队创建并维护。该数据集涵盖了多个NLP任务，包括命名实体识别（NER）、问答系统（QA）、情感分析、文本分类、文本匹配等。CLUEDatasetSearch的创建旨在为中文NLP研究提供一个全面且易于访问的数据资源，推动中文语言理解技术的发展。自2020年发布以来，该数据集已成为中文NLP领域的重要基准之一，广泛应用于学术研究和工业界应用中。

当前挑战

CLUEDatasetSearch面临的挑战主要体现在两个方面。首先，中文NLP任务的多样性和复杂性使得数据集的构建需要涵盖广泛的领域和任务类型，这对数据的质量和标注的准确性提出了较高要求。其次，中文语言的特殊性，如词汇的多义性、语法的灵活性以及缺乏明确的词边界，增加了数据标注和处理的难度。此外，数据集的构建过程中还需要解决数据来源的合法性和隐私保护问题，确保数据的合规使用。这些挑战要求研究者在数据集的构建和优化过程中投入更多的资源和精力，以提升数据集的质量和实用性。

常用场景

经典使用场景

CLUEDatasetSearch数据集广泛应用于自然语言处理（NLP）领域，特别是在中文文本处理任务中。该数据集涵盖了命名实体识别（NER）、问答系统（QA）、情感分析、文本分类、文本匹配、文本摘要、机器翻译、知识图谱、语料库构建以及阅读理解等多个子领域。研究人员和开发者可以利用该数据集进行模型训练、算法验证以及性能评估，从而推动中文NLP技术的发展。

解决学术问题

CLUEDatasetSearch数据集解决了中文NLP领域中的多个关键学术问题。例如，在命名实体识别任务中，该数据集提供了丰富的标注数据，帮助研究者提升模型在识别中文实体（如人名、地名、机构名等）方面的准确性。在情感分析任务中，数据集中的微博评论和新闻文本为情感分类模型提供了多样化的训练样本，使得模型能够更好地理解中文语境下的情感表达。此外，该数据集还为问答系统和文本匹配任务提供了高质量的数据支持，推动了相关领域的研究进展。

衍生相关工作

CLUEDatasetSearch数据集衍生了许多经典的NLP研究工作。例如，基于该数据集的命名实体识别任务，研究者提出了多种改进的深度学习模型，如BERT-CRF和BiLSTM-CRF，显著提升了中文NER的性能。在情感分析领域，该数据集被用于开发细粒度的情感分类模型，能够识别出更复杂的情感类别。此外，基于该数据集的问答系统研究也取得了重要进展，如基于预训练语言模型的问答系统在多个公开评测中取得了领先的成绩。这些研究工作不仅推动了中文NLP技术的发展，也为其他语言的处理任务提供了借鉴。