[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/#/

CATSLU

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：

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

• 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

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

• 微博实体识别.

  • https://github.com/hltcoe/golden-horse

• boson数据。

  • 包含6种实体类型。
  • https://github.com/InsaneLife/ChineseNLPCorpus/tree/master/NER/boson

• 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。

  • MSR: http://sighan.cs.uchicago.edu/bakeoff2005/
  • PKU ：http://sighan.cs.uchicago.edu/bakeoff2005/

另外这三个链接里面数据集也挺全的，链接：

• 分词
• 词性标注
• 命名实体

句法&语义解析

依存句法

语义解析

• 看方法主要还是转化为分类和ner任务。下载地址：https://aistudio.baidu.com/aistudio/competition/detail/47/?isFromLUGE=TRUE

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	单	中文	简单	5,291/5,291	41,522	4,396	8,141	NL2SQL
CSpider	多	中英	复杂	166/876	6,831	954	1,906	CSpider
DuSQL	多	中文	复杂	200/813	22,521	2,482	3,759	DuSQL

信息抽取

• 实体链指
• 关系抽取
• 事件抽取

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)

• 用户查询及相关URL列表

• https://www.sogou.com/labs/resource/e.php

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：

• 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/embedding.html~~，网页已经失效，有网盘链接同学希望分享下

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

• 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

  • https://dumps.wikimedia.org/
  • 中文维基百科23万条高质量词条数据集（更新至2307）：https://huggingface.co/datasets/pleisto/wikipedia-cn-20230720-filtered

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