ChineseNlpCorpus

中文自然语言处理数据集，包含文本分类、情感/观点/评论倾向性分析、实体识别&词性标注、搜索匹配、推荐系统等多个领域的数据集，用于实验和研究。

The Chinese Natural Language Processing dataset encompasses a variety of datasets across multiple domains including text classification, sentiment/opinion/comment analysis, entity recognition & part-of-speech tagging, search matching, and recommendation systems, intended for experimental and research purposes.

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。
  • 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

  • 数据来源：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
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
waimai_10k	某外卖平台用户评价，正向4000条，负向约8000条
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
weibo_senti_100k	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	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	28部电影，超70万用户，超200万条评分/评论数据
yf_dianping	24万家餐馆，54万用户，440万条评论/评分数据
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

实体识别&词性标注

• 微博实体识别

  • 数据来源：https://github.com/hltcoe/golden-horse

• boson数据

  • 包含6种实体类型。
  • 数据来源：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年数据来源：https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/renMinRiBao
  • 2004年数据来源：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）。
  • 数据来源：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。
  • 数据来源：https://pan.baidu.com/s/1Hg2Hubsn3GEuu4gubbHCzw 提取码:7p3n

推荐系统

数据集	数据概览
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
dmsc_v2	28部电影，超70万用户，超200万条评分/评论数据
yf_dianping	24万家餐馆，54万用户，440万条评论/评分数据
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

百科数据

• 维基百科

  • 数据来源：https://dumps.wikimedia.org/zhwiki/

• 百度百科

  • 数据来源：https://pan.baidu.com/share/init?surl=i3wvfil 提取码 neqs

预训练

• BERT

  • 模型下载：BERT-Base, Chinese

• ELMO

  • 预训练的模型：https://allennlp.org/elmo

• 腾讯词向量

  • 数据集包含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

  • 数据来源：https://github.com/Embedding/Chinese-Word-Vectors

中文完形填空数据集

• 数据来源：https://github.com/ymcui/Chinese-RC-Dataset

中华古诗词数据库

• 数据集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。
• 数据来源：https://github.com/chinese-poetry/chinese-poetry

保险行业语料库

• 数据来源：https://github.com/Samurais/insuranceqa-corpus-zh

汉语拆字字典

• 数据来源：https://github.com/kfcd/chaizi

中文数据集平台

• 搜狗实验室

  • 数据来源：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

  • 数据来源：http://www.nlpir.org/?action-category-catid-28

• 中文语料小数据

  • 数据来源：https://github.com/crownpku/Small-Chinese-Corpus

• 维基百科数据集

  • 数据来源：https://dumps.wikimedia.org/

NLP工具

• THULAC

  • 功能：中文分词、词性标注。
  • 数据来源：https://github.com/thunlp/THULAC

• HanLP

  • 数据来源：https://github.com/hankcs/HanLP

• 哈工大LTP

  • 数据来源：https://github.com/HIT-SCIR/ltp

• NLPIR

  • 数据来源：https://github.com/NLPIR-team/NLPIR

• jieba

  • 数据来源：https://github.com/yanyiwu/cppjieba

搜集汇总

数据集介绍

构建方式

ChineseNlpCorpus数据集的构建依托于多个来源的公开数据，涵盖了新闻分类、情感分析、实体识别、推荐系统等多个自然语言处理领域。数据集的构建过程中，采用了从今日头条、新浪新闻等平台采集的新闻数据，以及从社交媒体、电商平台等收集的用户评论和评分数据。此外，还包括了从维基百科、百度百科等百科类网站爬取的文本数据。这些数据经过清洗、标注和分类处理，形成了适用于不同NLP任务的高质量数据集。

特点

ChineseNlpCorpus数据集的特点在于其多样性和广泛性。数据集不仅涵盖了新闻、评论、社交媒体等多种文本类型，还包含了丰富的标注信息，如情感极性、实体类别等。数据规模庞大，从数千条到数百万条不等，能够满足从基础研究到大规模实验的需求。此外，数据集还提供了多种预训练模型和词向量资源，为中文自然语言处理研究提供了强有力的支持。

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。用户可以通过GitHub页面获取数据集的下载链接和相关说明文档。对于文本分类任务，可以直接使用已标注的新闻或评论数据进行模型训练和评估。对于情感分析任务，可以利用带有情感标签的评论数据进行情感极性分类。此外，数据集还提供了预训练模型和词向量资源，用户可以直接加载这些资源进行下游任务的微调或特征提取。

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，涵盖了文本分类、情感分析、实体识别、词性标注、搜索匹配、推荐系统等多个领域。该数据集由多个研究机构和开源社区共同贡献，最早的数据采集可追溯至2005年，涵盖了从新闻分类到社交媒体评论的广泛内容。其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和情感分析。该数据集对中文自然语言处理领域的研究具有重要影响力，为学术界和工业界提供了丰富的实验材料。

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和情感分析的准确性难以保证，尤其是在短文本和社交媒体评论中，语义模糊和噪声数据较为常见。其次，数据集的构建过程中，数据采集和标注的难度较大，尤其是在涉及多类别分类和细粒度情感分析时，标注的一致性和准确性难以保证。此外，数据集的多样性和规模虽然为研究提供了丰富的资源，但也带来了数据分布不均衡和预处理复杂的问题，这对模型的泛化能力提出了更高的要求。

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应用于文本分类、情感分析、实体识别等任务。例如，新闻分类数据集如今日头条中文新闻和清华新闻分类语料，常被用于训练和评估机器学习模型，以自动识别和分类新闻内容。情感分析数据集如ChnSentiCorp_htl_all和weibo_senti_100k，则用于分析用户评论的情感倾向，帮助企业了解消费者反馈。

实际应用

在实际应用中，ChineseNlpCorpus数据集被用于多种场景，如新闻媒体的自动分类系统、电商平台的情感分析工具以及社交媒体的监控系统。这些应用不仅提高了信息处理的效率，还增强了用户体验，如通过情感分析优化产品推荐，或通过实体识别提升搜索结果的准确性。

衍生相关工作

基于ChineseNlpCorpus数据集，研究者开发了多种先进的自然语言处理模型和算法。例如，利用BERT和ELMO等预训练模型进行文本分类和情感分析，这些模型在多个公开评测中取得了领先的成绩。此外，该数据集还促进了中文词向量和深度学习模型的研究，为中文自然语言处理领域的技术进步提供了坚实的基础。