ChineseNlpCorpus

中文自然语言处理数据集，包含多种任务型对话数据、文本分类数据以及情感/观点/评论倾向性分析数据，适用于实验和研究。

A Chinese natural language processing dataset encompassing a variety of task-oriented dialogue data, text classification data, as well as sentiment/opinion/comment analysis data, suitable for experimentation and research.

原始信息汇总

数据集概述

任务型对话数据

• CSTSLU

  • 类型：中文语音+NLU文本理解的对话数据集
  • 特点：支持从语音信号到理解端到端的实验，如音素建模语言理解
  • 官方说明手册：CATSLU
  • 数据下载：https://sites.google.com/view/CATSLU/home

• SMP系列

  • SMP-2020-ECDT小样本对话语言理解数据集

    • 来源：讯飞AIUI开放平台真实用户语料和专家构造语料
    • 特点：包含59个真实domain，适合小样本和元学习方法评测
    • 数据集介绍：新闻链接
    • 数据集论文：https://arxiv.org/abs/2009.08138
    • 数据集下载地址：https://atmahou.github.io/attachments/FewJoint.zip
    • 小样本工具平台主页地址：https://github.com/AtmaHou/MetaDialog

  • SMP-2019-NLU

    • 包含领域分类、意图识别和语义槽填充三项子任务
    • 训练数据集下载：trian.json

  • SMP-2017

    • 类型：中文对话意图识别数据集
    • 官方git和数据：https://github.com/HITlilingzhi/SMP2017ECDT-DATA

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
    • 数据分割：0.7 0.15 0.15
    • 数据集链接：https://github.com/fateleak/toutiao-text-classfication-dataset

  • 清华新闻分类语料

    • 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）
    • 类别：体育, 财经, 房产, 家居, 教育, 科技, 时尚, 时政, 游戏, 娱乐
    • 获取链接：http://thuctc.thunlp.org/#%E8%8E%B7%E5%8F%96%E9%93%BE%E6%8E%A5

  • 中科大新闻分类语料库

    • 获取链接：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

  • 链接：https://github.com/hltcoe/golden-horse

• boson数据

  • 包含6种实体类型
  • 链接：https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/boson

• 人民日报数据集

  • 包含人名、地名、组织名三种实体类型
  • 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）
  • 链接：https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/MSRA

搜索匹配

• OPPO手机搜索排序

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

• 网页搜索结果评价(SogouE)

  • 包含用户查询及相关URL列表
  • 数据获取链接：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

  • 数据处理博客：数据处理博客
  • 数据下载链接：https://dumps.wikimedia.org/zhwiki/

• 百度百科

  • 爬取得链接：https://pan.baidu.com/share/init?surl=i3wvfil提取码 neqs

指代消歧

• CoNLL 2012
  • 数据获取链接：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

• 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，每个词对应一个200维的向量
  • 下载地址：https://ai.tencent.com/ailab/nlp/embedding.html

中文完形填空数据集

• 数据集链接：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。
• 数据集链接：https://github.com/chinese-poetry/chinese-poetry

保险行业语料库

• 数据集链接：https://github.com/Samurais/insuranceqa-corpus-zh

汉语拆字字典

• 数据集链接：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
  • 数据获取链接：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

  • 数据获取链接：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、中文阅读理解等一些小量数据
  • 数据集链接：https://github.com/crownpku/Small-Chinese-Corpus

• 维基百科数据集

  • 数据下载链接：https://dumps.wikimedia.org/

NLP工具

• THULAC

  • 包含中文分词、词性标注功能
  • 工具链接：https://github.com/thunlp/THULAC

• HanLP

  • 工具链接：https://github.com/hankcs/HanLP

• 哈工大LTP

  • 工具链接：https://github.com/HIT-SCIR/ltp

• NLPIR

  • 工具链接：https://github.com/NLPIR-team/NLPIR

• jieba

  • 工具链接：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源数据的整合与标注。该数据集涵盖了任务型对话、文本分类、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。数据来源包括工业界真实用户语料、专家构造的语料、新闻数据、社交媒体评论等。部分数据通过众包或专家标注进行语义理解、情感倾向等标签的添加，确保了数据的多样性和实用性。

特点

ChineseNlpCorpus数据集的特点在于其广泛的任务覆盖范围和高质量的数据标注。数据集不仅包含传统的文本分类和实体识别任务，还涵盖了语音与文本结合的端到端理解任务，如CSTSLU数据集。此外，数据集的规模较大，例如FewJoint基准数据集包含59个真实领域，适合小样本学习和元学习方法评测。情感分析数据集如ChnSentiCorp_htl_all和weibo_senti_100k则提供了丰富的评论数据，适用于情感倾向性分析研究。

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的实验与评测。对于任务型对话数据，如CSTSLU和FewJoint，研究者可以从语音信号到语义理解进行端到端建模。文本分类数据集如清华新闻分类语料和今日头条新闻数据集，可用于训练和评估文本分类模型。情感分析数据集则可用于情感倾向性分析模型的训练与测试。此外，实体识别和词性标注数据集如人民日报数据集和MSRA数据集，可用于命名实体识别和词性标注任务的研究。

背景与挑战

背景概述

ChineseNlpCorpus 是一个广泛用于中文自然语言处理研究的数据集集合，涵盖了从任务型对话到文本分类、实体识别、推荐系统等多个领域。该数据集由多个研究机构和开源社区共同维护，旨在为中文NLP研究提供丰富的数据资源。其核心研究问题包括语音到文本的理解、小样本学习、情感分析等，对推动中文自然语言处理技术的发展具有重要影响。数据集中的部分内容如CSTSLU和SMP系列数据集，已经在学术界和工业界得到了广泛应用，尤其是在语音识别和对话系统领域。

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预处理工作尤为困难，尤其是在语音识别和语义理解任务中，如何有效处理语音错误和方言差异是一个重要问题。其次，数据集的多样性和规模带来了数据一致性和质量控制的挑战，特别是在多任务学习中，如何确保不同任务之间的数据兼容性是一个难题。此外，小样本学习任务中，如何从有限的标注数据中提取有效的特征并提升模型的泛化能力，也是当前研究的重点。

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中文文本的实验和研究。该数据集涵盖了从任务型对话、文本分类、情感分析到实体识别等多个子领域，为研究者提供了丰富的实验材料。特别是在任务型对话数据集中，如CSTSLU和SMP系列数据集，研究者可以从中获取真实用户语料，进行端到端的语音到文本理解实验，极大地推动了中文对话系统的研究进展。

实际应用

在实际应用中，ChineseNlpCorpus数据集被广泛用于智能客服、语音助手和推荐系统等场景。例如，CSTSLU数据集可以用于开发能够处理语音输入的中文对话系统，提升用户体验。SMP系列数据集则被用于构建多领域对话系统，帮助企业在不同业务场景下实现自动化客服。此外，数据集中包含的情感分析数据也被用于社交媒体监控和用户评论分析，帮助企业更好地理解用户反馈。

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CSTSLU数据集的研究推动了中文语音到文本理解模型的创新，提出了多种端到端的语义理解方法。SMP系列数据集则催生了大量关于小样本学习和元学习的研究，特别是在多领域对话系统中的应用。此外，数据集中提供的新闻分类和情感分析数据也被广泛用于文本分类和情感分析模型的训练与评估，推动了中文文本处理技术的发展。