/ChineseNLPCorpus

中文自然语言处理数据集,平时做做实验的材料。欢迎补充提交合并。

Primary LanguagePython

[TOC]

ChineseNlpCorpus

中文自然语言处理数据集,平时做做实验的材料。欢迎补充提交合并。

阅读理解

阅读理解数据集按照方法主要有:抽取式、分类(观点提取)。按照篇章又分为单篇章、多篇章,比如有的问题答案可能需要从多个文章中提取,每个文章可能都只是一部分,那么多篇章提取就会面临怎么合并,合并的时候怎么去掉重复的,保留补充的。

名称 规模 说明 单位 论文 下载 评测
DuReader 30万问题 140万文档 66万答案 问答阅读理解数据集 百度 链接 链接 2018 NLP Challenge on MRC 2019 Language and Intelligence Challenge on MRC
$DuReader_{robust}$ 2.2万问题 单篇章、抽取式阅读理解数据集 百度 链接 评测
CMRC 2018 2万问题 篇章片段抽取型阅读理解 哈工大讯飞联合实验室 链接 链接 第二届“讯飞杯”中文机器阅读理解评测
$DuReader_{yesno}$ 9万 观点型阅读理解数据集 百度 链接 评测
$DuReader_{checklist}$ 1万 抽取式数据集 百度 链接

任务型对话数据

Medical DS

复旦大学发布的基于百度拇指医生上真实对话数据的,面向任务型对话的中文医疗诊断数据集。

名称 规模 创建日期 作者 单位 论文 下载
Medical DS 710个对话 67种症状 4种疾病 2018年 Liu et al. 复旦大学 链接 链接

千言数据集

包含知识对话、推荐对话、画像对话。详细见官网 千言里面还有很多数据集,见:https://www.luge.ai/#/

之前的一些对话数据集集中于语义理解,而工业界真实情况ASR也会有错误,往往被忽略。CATSLU而是一个中文语音+NLU文本理解的对话数据集,可以从语音信号到理解端到端进行实验,例如直接从音素建模语言理解(而非word or token)。

数据统计:

image-20200910233858454

官方说明手册:CATSLU 数据下载:https://sites.google.com/view/CATSLU/home

NLPCC2018 Shared Task 4

中文呢真实商用车载语音任务型对话系统的对话日志.

名称 规模 创建日期 作者 单位 论文 下载 评测
NLPCC2018 Shared Task 4 5800对话 2.6万问题 2018年 zhao et al. 腾讯 链接 训练开发集 测试集 NLPCC 2018 Spoken Language Understanding in Task-oriented Dialog Systems

NLPCC每年都会举办,包含大量中文数据集,如对话、qa、ner、情感检测、摘要等任务

SMP

这是一系类数据集,每年都会有新的数据集放出。

SMP-2020-ECDT小样本对话语言理解数据集

论文中叫FewJoint 基准数据集,来自于讯飞AIUI开放平台上真实用户语料和专家构造的语料(比例大概为3:7),包含59个真实domain,目前domain最多的对话数据集之一,可以避免构造模拟domain,非常适合小样本和元学习方法评测。其中45个训练domain,5个开发domain,9个测试domain。

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的数据集。训练数据集下载:trian.json,目前只获取到训练集,如果有同学有测试集,欢迎提供。

Train
Domain 24
Intent 29
Slot 63
Samples 2579

SMP-2017

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

数据集:

Train
Train samples 2299
Dev samples 770
Test samples 666
Domain 31

论文:https://arxiv.org/abs/1709.10217

文本分类

新闻分类

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
百度千言情感分析数据集 包括句子级情感分类(Sentence-level Sentiment Classification)、评价对象级情感分类(Aspect-level Sentiment Classification)、观点抽取(Opinion Target Extraction) 地址

实体识别&词性标注&分词

另外这三个链接里面数据集也挺全的,链接:

句法&语义解析

语义解析

数据集 单/多表 语言 复杂度 数据库/表格 训练集 验证集 测试集 文档
NL2SQL 中文 简单 5,291/5,291 41,522 4,396 8,141 NL2SQL
CSpider 中英 复杂 166/876 6,831 954 1,906 CSpider
DuSQL 中文 复杂 200/813 22,521 2,482 3,759 DuSQL

信息抽取

搜索匹配

千言文本相似度

百度千言文本相似度,主要包含LCQMC/BQ Corpus/PAWS-X,见官网,丰富文本匹配的数据,可以作为目标匹配数据集的源域数据,进行多任务学习/迁移学习。

OPPO手机搜索排序

OPPO手机搜索排序query-title语义匹配数据集。

链接: https://pan.baidu.com/s/1KzLK_4Iv0CHOkkut7TJBkA?pwd=ju52 提取码: ju52

网页搜索结果评价(SogouE)

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:(词向量or模型)

BERT

  1. 开源代码:https://github.com/google-research/bert
  2. 模型下载:BERT-Base, Chinese: Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters

BERT变种模型:

模型 参数 git
Chinese-BERT-base 108M BERT
Chinese-BERT-wwm-ext 108M Chinese-BERT-wwm
RBT3 38M Chinese-BERT-wwm
ERNIE 1.0 Base 中文 108M ERNIE、ernie模型转成tensorflow模型:tensorflow_ernie
RoBERTa-large 334M RoBERT
XLNet-mid 209M XLNet-mid
ALBERT-large 59M Chinese-ALBERT
ALBERT-xlarge Chinese-ALBERT
ALBERT-tiny 4M Chinese-ALBERT
chinese-roberta-wwm-ext 108M Chinese-BERT-wwm
chinese-roberta-wwm-ext-large 330M Chinese-BERT-wwm

ELMO

  1. 开源代码:https://github.com/allenai/bilm-tf
  2. 预训练的模型:https://allennlp.org/elmo

腾讯词向量

腾讯AI实验室公开的中文词向量数据集包含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/en/download.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

NLP工具

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

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

百度千言数据集:https://github.com/luge-ai/luge-ai