来源：AINLP
本文约1300字，建议阅读5分钟。
本文为你推举中文自然措辞处理数据集。
推举一个Github项目：ChineseNLPCorpus，该项目网络了一批中文自然措辞处理数据集的干系链接，可以用来练手，点击阅读原文可以直达该项目链接：
https://github.com/InsaneLife/ChineseNLPCorpus
以下来自该项目先容页
中文自然措辞处理数据集，平时做做实验的材料。欢迎补充提交合并。
文本分类新闻分类
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。采集韶光：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天生。数据量：74万篇新闻文档（2.19 GB）小数据实验可以筛选种别：体育, 财经, 房产, 家居, 教诲, 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%A5rnn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情绪/不雅观点/评论 方向性剖析
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
某外卖平台网络的用户评价，正向 4000 条，负向 约 8000 条
online_shopping_10_cats
10 个种别，共 6 万多条评论数据，正、负向评论各约 3 万条， 包括书本、平板、手机、水果、洗发水、热水器、蒙牛、衣服、打算机、酒店
weibo_senti_100k
10 万多条，带情绪标注 新浪微博，正负向评论约各 5 万条
simplifyweibo_4_moods
36 万多条，带情绪标注 新浪微博，包含 4 种情绪， 个中喜悦约 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。https://github.com/hltcoe/golden-horseboson数据。包含6种实体类型。https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/boson1998年公民日报数据集。人名、地名、组织名三种实体类型https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/renMinRiBaoMSRA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/MSRASIGHAN 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。MSR: http://sighan.cs.uchicago.edu/bakeoff2005/PKU ：http://sighan.cs.uchicago.edu/bakeoff2005/搜索匹配OPPO手机搜索排序
OPPO手机搜索排序query-title语义匹配数据集。
下载链接：
https://pan.baidu.com/s/1Obm8oRVZEIh76-cpPc0qZw
网页搜索结果评价(SogouE)
用户查询及干系URL列表https://www.sogou.com/labs/resource/e.php推举系统
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
维基百科会定时将语料库打包发布：
数据处理博客https://dumps.wikimedia.org/zhwiki/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
预演习：（词向量or模型）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 parametersELMO
开源代码：https://github.com/allenai/bilm-tf预演习的模型：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，个中每个词对应一个200维的向量。
下载地址：https://ai.tencent.com/ailab/nlp/embedding.html上百种预演习中文词向量
下载地址：https://github.com/Embedding/Chinese-Word-Vectors中文完形填空数据集
下载地址：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墨客, 靠近5.5万首唐诗加26万宋诗. 两宋期间1564位词人，21050首词。
下载地址：https://github.com/chinese-poetry/chinese-poetry保险行业语料库
下载地址：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
下载地址：https://github.com/kfcd/chaizi中文数据集平台搜狗实验室
搜狗实验室供应了一些高质量的中文文本数据集，韶光比较早，多为2012年以前的数据。https://www.sogou.com/labs/resource/list_pingce.php中科大自然措辞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https://dumps.wikimedia.org/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
编辑：于腾凯
— 完 —
关注清华-青岛数据科学研究院官方微信"大众年夜众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。
