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

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：根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成。
  • 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

  • 数据链接：http://www.nlpir.org/?action-viewnews-itemid-145

情感/观点/评论 倾向性分析

• ChnSentiCorp_htl_all

  • 数据概览：7000多条酒店评论数据，其中正向评论5000多条，负向评论2000多条。

• waimai_10k

  • 数据概览：某外卖平台收集的用户评价，正向4000条，负向约8000条。

• online_shopping_10_cats

  • 数据概览：10个类别，共6万多条评论数据，正、负向评论各约3万条。

• weibo_senti_100k

  • 数据概览：10万多条，带情感标注的新浪微博，正负向评论约各5万条。

• simplifyweibo_4_moods

  • 数据概览：36万多条，带情感标注的新浪微博，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。

• dmsc_v2

  • 数据概览：28部电影，超70万用户，超200万条评分/评论数据。

• yf_dianping

  • 数据概览：24万家餐馆，54万用户，440万条评论/评分数据。

• yf_amazon

  • 数据概览：52万件商品，1100多个类目，142万用户，720万条评论/评分数据。

实体识别&词性标注

• 微博实体识别

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

• boson数据

  • 包含6种实体类型。
  • 数据链接：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年数据链接：https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/renMinRiBao
  • 2004年数据链接：https://pan.baidu.com/s/1LDwQjoj7qc-HT9qwhJ3rcA password: 1fa3

• MSRA微软亚洲研究院数据集

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

搜索匹配

• OPPO手机搜索排序
  • 数据类型：query-title语义匹配数据集。
  • 数据链接：https://pan.baidu.com/s/1Hg2Hubsn3GEuu4gubbHCzw 提取码:7p3n

推荐系统

• ez_douban

  • 数据概览：5万多部电影，2.8万用户，280万条评分数据。

• dmsc_v2

  • 数据概览：28部电影，超70万用户，超200万条评分/评论数据。

• yf_dianping

  • 数据概览：24万家餐馆，54万用户，440万条评论/评分数据。

• yf_amazon

  • 数据概览：52万件商品，1100多个类目，142万用户，720万条评论/评分数据。

百科数据

• 维基百科
  • 数据链接：https://dumps.wikimedia.org/zhwiki/

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

  • 数据概览：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

• 数据链接：https://github.com/ymcui/Chinese-RC-Dataset

中华古诗词数据库

• 数据概览：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。
• 数据链接：https://github.com/chinese-poetry/chinese-poetry

保险行业语料库

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

汉语拆字字典

• 数据链接：https://github.com/kfcd/chaizi

中文数据集平台

• 搜狗实验室

  • 数据链接：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

  • 数据链接：http://www.nlpir.org/?action-category-catid-28

• 中文语料小数据

  • 数据链接：https://github.com/crownpku/Small-Chinese-Corpus

• 维基百科数据集

  • 数据链接：https://dumps.wikimedia.org/

搜集汇总

数据集介绍

构建方式

ChineseNlpCorpus数据集的构建汇集了多样化的中文自然语言处理相关材料，涵盖文本分类、情感分析、实体识别、搜索匹配、推荐系统等多个领域。构建方式包括对互联网公开资源的整理、对历史数据的筛选过滤以及用户生成内容的直接采集。例如，新闻分类数据集整合了今日头条和清华新闻等来源，情感分析则采集了来自酒店、外卖平台、社交媒体微博等不同场景的用户评论。

特点

该数据集的特点在于其多样性、广泛性和实用性。它不仅包含了大规模的新闻分类和情感分析数据，还涵盖了实体识别、搜索匹配和推荐系统等领域的专门数据集。这些数据集来源于真实场景，反映了实际应用中的语言使用情况，为自然语言处理研究提供了丰富的素材。特别是，该数据集包含了带情感标注的微博数据，对于情感分析领域的研究尤为宝贵。

使用方法

用户可以根据具体的研究需求选择相应的数据子集。数据集的使用通常包括下载、预处理和模型训练等步骤。预处理可能涉及数据清洗、格式转换等操作，以确保数据适用于特定的算法或模型。例如，针对文本分类任务，用户需要将数据集中的文本和标签进行适当的编码处理，然后输入到分类模型中进行训练。对于推荐系统数据，用户则需关注用户行为数据和评分数据，以构建和评估推荐算法的性能。

背景与挑战

背景概述

ChineseNlpCorpus是一个旨在推动中文自然语言处理领域研究的数据集集合。该数据集由多个子数据集组成，涵盖了文本分类、情感分析、实体识别、搜索匹配、推荐系统等多个自然语言处理任务。其创建并非由单一机构或研究人员完成，而是由多个研究者和机构共同贡献和维护。数据集的构建时间跨度较大， earliest 可追溯到2005年。ChineseNlpCorpus对中文自然语言处理领域的研究具有深远的影响，为相关研究提供了丰富的数据资源。

当前挑战

该数据集在构建过程中面临的挑战主要包括数据的质量控制、多样性和平衡性。在所解决的领域问题中，例如文本分类面临的挑战是如何在众多类别中准确分类，特别是在短文本分类中，如今日头条数据集。情感分析则需解决情感倾向的细微差别。实体识别和词性标注则需要处理歧义和上下文依赖问题。构建过程中的挑战还包括数据的收集、清洗、标注，以及保证数据的一致性和可用性。

常用场景

经典使用场景

ChineseNlpCorpus数据集在文本分类任务中具有重要应用，尤其是新闻分类领域，其中清华新闻分类语料和今日头条中文新闻分类数据集因其规模宏大、分类细致而成为研究者的首选。

实际应用

在实际应用中，ChineseNlpCorpus数据集被广泛应用于新闻推荐、搜索引擎、在线购物评论分析、社交媒体情感分析等场景，极大地提升了相关应用的服务质量和用户体验。

衍生相关工作

基于该数据集，研究者衍生出了一系列相关工作，如情感分析模型的构建、实体识别技术的改进、预训练模型的开发等，为中文自然语言处理领域的学术研究和产业发展做出了显著贡献。