ChID 大规模中文成语数据集

由于缺乏丰富的语料库，中文完形填空式阅读理解的研究仍然受到限制。 ChID（全称 Chinese IDiom Dataset）是大规模中文完形填空测试数据集，用于研究中文中特有的语言现象——成语的理解。在这个语料库中，文章中的成语被空白符号代替，正确答案需要从精心设计的候选成语中选出。

Research on Chinese cloze-style reading comprehension has long been constrained by the scarcity of high-quality corpora. ChID, short for Chinese Idiom Dataset, is a large-scale Chinese cloze test dataset dedicated to studying the unique linguistic phenomenon in Chinese: the comprehension of idioms. In this corpus, idioms contained in the articles are replaced with blank symbols, and the correct answer must be selected from a set of meticulously designed candidate idioms.

搜集汇总

背景与挑战

背景概述

ChID是一个大规模中文成语数据集，专为研究中文成语理解而设计，采用完形填空测试形式。该数据集包含58.1万段落和72.9万空白，覆盖多个领域，每个空白处提供包含正确答案的候选成语列表供选择。