ChineseNlpCorpus

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

A Chinese natural language processing dataset encompassing a variety of domains such as news classification, sentiment analysis, and entity recognition, utilized for experimentation and research.

原始信息汇总

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
  • 数据规模：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

• 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

• 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

  • 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

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

• 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公开可获取的中文文本资源，包括新闻、社交媒体评论、电影评论等。数据集通过爬取和筛选这些资源，结合人工或自动化的标注方法，确保数据的多样性和代表性。例如，新闻分类数据来源于今日头条和清华大学的新闻RSS订阅频道，情感分析数据则来自酒店评论、外卖平台评价等。

特点

该数据集的特点在于其广泛覆盖了中文自然语言处理的多个子领域，如文本分类、情感分析、实体识别等。数据集规模庞大，涵盖了从短文本到长文本的多种形式，且每个子数据集都经过精心标注，确保了数据的高质量和实用性。此外，数据集还包含了丰富的元数据信息，如时间戳、分类标签等，便于研究者进行深入分析。

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。研究者可以根据具体需求选择相应的子数据集进行实验。例如，文本分类任务可以使用今日头条新闻数据集，情感分析任务则可以选择酒店评论或微博评论数据集。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和分析。此外，数据集还提供了详细的文档和示例代码，帮助用户快速上手。

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，由多个研究机构和开源社区共同维护和贡献。该数据集涵盖了文本分类、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，主要贡献者包括清华大学、中科大、搜狗实验室等知名机构。该数据集的核心研究问题在于如何通过大规模的中文语料库提升自然语言处理模型的性能，尤其是在中文语境下的语义理解、情感分析和实体识别等方面。ChineseNlpCorpus的发布为中文自然语言处理领域的研究提供了丰富的实验材料，推动了相关技术的快速发展。

当前挑战

ChineseNlpCorpus在解决中文自然语言处理问题时面临多重挑战。首先，中文语言的复杂性和多样性使得文本分类、情感分析等任务的准确性难以保证，尤其是在短文本和社交媒体文本中，语义模糊和噪声数据较多。其次，数据集的构建过程中，数据采集、清洗和标注的难度较大，尤其是针对大规模语料库的标注工作需要大量人力和时间投入。此外，中文的实体识别和词性标注任务由于缺乏统一的标注标准，导致不同数据集之间的兼容性和一致性较差。最后，随着中文互联网内容的快速更新，数据集的时效性和覆盖范围也面临挑战，如何持续更新和维护数据集以适应新的语言现象和应用场景，是未来需要解决的关键问题。

常用场景

经典使用场景

ChineseNlpCorpus数据集在自然语言处理领域中被广泛用于文本分类、情感分析、实体识别和词性标注等任务。例如，新闻分类任务中，今日头条中文新闻数据集和清华新闻分类语料被用于训练和评估机器学习模型，以自动将新闻文章归类到不同的主题类别中。情感分析任务中，ChnSentiCorp_htl_all和weibo_senti_100k等数据集被用于分析用户评论的情感倾向，帮助企业和研究者理解公众对产品或服务的情感反馈。

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任务，研究者开发了多种深度学习模型，如CNN和RNN，这些模型在新闻分类和情感分析任务中表现出色。在实体识别领域，MSRA数据集和人民日报数据集被广泛用于训练和评估命名实体识别模型，推动了中文实体识别技术的发展。此外，该数据集还支持了BERT等预训练模型的开发，这些模型在多个自然语言处理任务中取得了显著的效果。

数据集最近研究

最新研究方向

近年来，随着深度学习技术的飞速发展，中文自然语言处理领域的研究日益深入。ChineseNlpCorpus作为一个综合性的中文自然语言处理数据集，涵盖了文本分类、情感分析、实体识别、词性标注、搜索匹配、推荐系统等多个子领域。特别是在情感分析方面，该数据集提供了丰富的评论数据，如酒店、外卖、电影等领域的用户评价，为情感倾向性分析提供了坚实的基础。此外，随着BERT等预训练模型的广泛应用，ChineseNlpCorpus中的文本分类和实体识别数据也被广泛应用于模型的微调和评估，推动了中文NLP技术的进一步发展。该数据集的多样性和广泛性使其成为中文自然语言处理研究的重要资源，为学术界和工业界提供了丰富的研究素材。