最全中文自然语言处理数据集、平台和工具整理
本文内容整理自：https://github.com/InsaneLife/ChineseNLPCorpus
1、任务型对话数据
1.1 CSTSLU
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。CSTSLU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：
官方说明手册：CATSLU 数据下载：https://sites.google.com/view/CATSLU/home
1.2 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
2、文本分类
2.1 新闻分类
- 今日头条中文新闻（短文本）分类数据集 ：https://github.com/fateleak/toutiao-text-classfication-dataset
- 数据规模：共38万条，分布于15个分类中。
- 采集时间：2018年05月。
- 以0.7 0.15 0.15做分割 。
- 清华新闻分类语料：
- 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）
- 小数据实验可以筛选类别：体育, 财经, 房产, 家居, 教育, 科技, 时尚, 时政, 游戏, 娱乐
- http://thuctc.thunlp.org/#%E8%8E%B7%E5%8F%96%E9%93%BE%E6%8E%A5
- rnn和cnn实验：https://github.com/gaussic/text-classification-cnn-rnn
- 中科大新闻分类语料库：http://www.nlpir.org/?action-viewnews-itemid-145
2.2 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 |
2.3 实体识别&词性标注
- 微博实体识别.
- boson数据。
- 人民日报数据集。
- 人名、地名、组织名三种实体类型
- 1998：https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/renMinRiBao
- 2004：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）
- https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/MSRA
- SIGHAN Bakeoff 2005：一共有四个数据集，包含繁体中文和简体中文，下面是简体中文分词数据。
3、搜索匹配
3.1 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/1Hg2Hubsn3GEuu4gubbHCzw 提取码:7p3n
3.2 网页搜索结果评价(SogouE)
- 用户查询及相关URL列表
- https://www.sogou.com/labs/resource/e.php
4、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 |
5、百科数据
5.1 维基百科
维基百科会定时将语料库打包发布：
5.2 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 。
6、指代消歧
CoNLL 2012 ：http://conll.cemantix.org/2012/data.html
7、预训练：（词向量or模型）
7.1 BERT
- 开源代码：https://github.com/google-research/bert
- 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 |
7.2 ELMO
7.3 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。
7.4 上百种预训练中文词向量
https://github.com/Embedding/Chinese-Word-Vectors
8、中文完形填空数据集
https://github.com/ymcui/Chinese-RC-Dataset
9、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
10、保险行业语料库
https://github.com/Samurais/insuranceqa-corpus-zh
11、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
12、中文数据集平台
- 搜狗实验室搜狗实验室提供了一些高质量的中文文本数据集，时间比较早，多为2012年以前的数据。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http://www.nlpir.org/?action-category-catid-28
- 中文语料小数据
- 包含了中文命名实体识别、中文关系识别、中文阅读理解等一些小量数据。
- https://github.com/crownpku/Small-Chinese-Corpus
- 维基百科数据集
13、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
