大家好，我是刘聪NLP。
本项目为本人收集并整理的一些数据集，目前包括中文摘要数据集、中文片段抽取式阅读理解数据集（QA）和中文文本相似度数据集。
希望大家可以多多转发、多多start。
- 从网上收集数据，将DIAC2019、CCKS2018_Task3、LCQMC、AFQMC、GAIIC2021_Task3、THS2021、CHIP2019、SOHU_2021、COVID19、PAWSX、XF2021、Chinese-MNLI、Chinese-SNLI、Chinese-STS-B、OCNLI、PKU Paraphrase Bank等16个数据集进行整理清洗，构建一个较完善的中文文本匹配数据集。
- 数据集清洗主要包括：针对4个NLI数据集进行标签转换，STS-B数据集进行分数过滤，PKU复述数据集仅生成正标签。
- 处理后数据集详细信息，见数据集描述。
- 增加CINLID词语级匹配数据集。
| 数据 | 原始数据/项目地址 | 原始数据描述 |
|---|---|---|
| DIAC2019 | 地址 | 基于Adversarial Attack的问题等价性判别比赛数据集 |
| CCKS2018_Task3 | 地址 | CCKS 2018 微众银行智能客服问句匹配大赛 |
| LCQMC | 地址 | 哈工大发表的一个中文问答匹配数据集 |
| AFQMC | 地址 | 蚂蚁金融语义相似度数据集 |
| GAIIC2021_Task3 | 地址 | 小布助手对话短文本语义匹配比赛数据集 |
| THS2021 | 地址 | 同花顺2021人工智能大赛-跨领域迁移的文本语义匹配数据集 |
| CHIP2019 | 地址 | 平安医疗科技疾病问答迁移学习比赛数据集 |
| SOHU_2021 | 地址 | 2021搜狐校园文本匹配算法大赛数据集 |
| COVID19 | 地址 | “公益AI之星”挑战赛-新冠疫情相似句对判定大赛数据集 |
| PAWSX | 地址 | 多语言释义识别对抗性数据集 |
| XF2021 | 地址 | 讯飞赛题—中文问题相似度挑战赛数据集 |
| Chinese-MNLI | 地址 | 中文MNLI数据集 |
| Chinese-SNLI | 地址 | 中文SNLI数据集 |
| Chinese-STS-B | 地址 | 中文SNLI数据集 |
| OCNLI | 地址 | 原生中文自然语言推理数据集，是第一个非翻译的、使用原生汉语的大型中文自然语言推理数据集。 |
| PKU | 地址 | 句级中文文本复述语料库 |
| CINLID | 地址 | 中文成语语义推理数据集 |
清洗及格式转换后的数据，下载链接如下：百度云
提取码：rt6f
- 从网上收集数据，将DRCD、cmrc2018、chinese-squad、中医数据集、法研杯2019、莱斯杯机器阅读理解、疫情QA、WebQA、Dureader等9个数据集进行整理清洗，构建一个较完善的中文片段抽取式阅读理解数据集。
- 数据集清洗时，仅进行了简单地规则清洗，并将格式进行了统一化。
- 处理后数据集详细信息，见数据集描述
| 数据 | 原始数据/项目地址 | 原始数据描述 |
|---|---|---|
| DRCD | 地址 | 台达阅读理解资料集 Delta Reading Comprehension Dataset (DRCD) 属于通用领域繁体中文机器阅读理解资料集。 本资料集期望成为适用于迁移学习之标准中文阅读理解资料集。 本资料集从2,108篇维基条目中整理出10,014篇段落，并从段落中标注出30,000多个问题 |
| cmrc2018 | 地址 | 第二届“讯飞杯”中文机器阅读理解评测 |
| chinese-squad | 地址 | 中文机器阅读理解数据集，本数据集通过机器翻译加人工校正的方式从原始Squad转换而来，其中包括V1.1 和V2.0。由于部分翻译无法找到原文中的答案（短答案翻译和文档翻译有出入），故数据量对比原始英文版SQuAD 有所减少。 |
| 中医数据集 | 地址 | 本次标注数据源来自中医药领域文本，包括【黄帝内经翻译版】、【名医百科中医篇】、【中成药用药卷】、【慢性病养生保健科普知识】四个主要来源，共标注 13000对（问题、文档、答案），来源于5000篇文档，每篇文档由人工标注产生1～4对(问题, 答案)对。 |
| 法研杯2019 | 地址 | 裁判文书中包含了丰富的案件信息，比如时间、地点、人物关系等等，通过机器智能化地阅读理解裁判文书，可以更快速、便捷地辅助法官、律师以及普通大众获取所需信息。本任务是首次基于中文裁判文书的阅读理解比赛，属于篇章片段抽取型阅读理解比赛（Span-Extraction Machine Reading Comprehension）。 |
| 莱斯杯机器阅读理解 | 地址 | 本次竞赛将提供面向军事应用场景的大规模中文阅读理解数据集，围绕多文档机器阅读理解进行竞赛，涉及理解、推理等复杂技术。每个问题对应五篇候选文章，问题与篇章中的答案证据句间存在较大的语法与句式变化。需要在多篇章定位与深度理解的基础上，从存在干扰项的多篇文章中搜寻出最优答案，更富挑战性的是问题的答案可能需要结合至少两篇文章的相关内容，进行关联推断才能够准确得出。 |
| 疫情QA | 地址 | 任务将提供以疫情为主的政策数据集、用户问题以及标注好的答案片段，参赛者可自行通过对政策数据的分析、处理和组织，利用训练数据集训练智能问答算法，并在测试数据集上进行评测，评测指标为最终返回答案的准确性。 |
| WebQA | 地址 | 百度利用百度知道和其他资源，构建了一个这样的一个数据集，称为WebQA |
| Dureader | 地址 | 百度整理出来的阅读理解数据集，问题和文档均来自于百度搜索和百度知道，而答案是人工手动生成的，因此数据集更加切合真实场景。 |
清洗及格式转换后的数据，下载链接如下：百度云
提取码：02ta
- 从网上收集数据，将清华新闻数据、搜狗新闻数据等新闻数据集，以及开源的一些摘要数据进行整理清洗，构建一个较完善的中文摘要数据集。
- 数据集清洗时，仅进行了简单地规则清洗。例如：清洗htlm标记、去除多余空字符、去除图片标记等。
- 处理后数据集详细信息，见数据集描述
| 数据 | 原始数据/项目地址 | 处理后文件下载地址 |
|---|---|---|
| 清华新闻数据 | 地址 | 百度云盘 提取码： vhol |
| 搜狗新闻数据 | 地址 | 百度云盘 提取码：ode6 |
| nlpcc2017摘要数据 | 地址 | 百度云盘 提取码：e0zq |
| csl摘要数据 | 地址 | 百度云盘 提取码：0qot |
| 教育培训行业摘要数据 | 地址 | 百度云盘 提取码：kjz3 |
| lcsts摘要数据 | 地址 | 百度云盘 提取码：bzov |
| 神策杯2018摘要数据 | 地址 | 百度云盘 提取码：6f4f |
| 万方摘要数据 | 地址 | 百度云盘 提取码： p69g |
| 微信公众号摘要数据 | 地址 | 百度云盘 提取码： 5has |
| 微博数据 | 地址 | 百度云盘 提取码： 85t5 |
| news2016zh新闻数据 | 地址 | 百度云盘 提取码： qsj1 |
数据集集合：百度云盘 提取码： 7am8
本项目中整理的所有数据集，仅能用于学术研究，请勿用于商业。