别找了，送你 20 个文本数据集

2021-02-23

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

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，但时间比较早，多为2012年以前的数据。

https://www.sogou.com/labs/resource/list_pingce.php

中文文本分类数据集THUCNews

THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成，包含74万篇新闻文档，划分出 14 个候选分类。

http://thuctc.thunlp.org/#%E4%B8%AD%E6%96%87%E6%96%87%E6%9C%AC%E5%88%86%E7%B1%BB%E6%95%B0%E6%8D%AE%E9%9B%86THUCNews

中文完形填空数据集

https://github.com/ymcui/Chinese-RC-Dataset

清华大学开放中文词库

http://thuocl.thunlp.org/

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

上百种预训练中文词向量

https://github.com/Embedding/Chinese-Word-Vectors

《口袋妖怪》跨语种命名对照数据集

任天堂游戏《口袋妖怪》中所有小精灵名字的德、英、法、日、韩、中6种语言对照，中文包含繁简体两种格式。

https://pokewiki.de/index.php?title=Pok%C3%A9mon-Liste

中国宗教用户关键词列表

https://www.dcjingsai.com/common/share/73.html

1998年《人民日报》词性标注库

https://pan.baidu.com/s/1gd6mslt

中文突发事件语料库

https://github.com/shijiebei2009/CEC-Corpus

中国股市爬取信息数据集

https://github.com/startprogress/China_stock_announcement

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

Tushare财经数据接口

TuShare是一个免费、开源的python财经数据接口包。

http://tushare.org/

保险行业语料库

https://github.com/Samurais/insuranceqa-corpus-zh

中文人名语料库

包含中文常见人名、中文古代人名、中文翻译人名、中文姓氏、中文称谓、中文成语等数据。

https://github.com/wainshine/Chinese-Names-Corpus

中文简称数据集

https://github.com/zhangyics/Chinese-abbreviation-dataset

汉字拆字字典

https://github.com/kfcd/chaizi

中文实体情感知识库

刻画人们如何描述某个实体，包含新闻、旅游、餐饮，共计30万对。

https://github.com/rainarch/SentiBridge

中文对话情感分析数据集

https://github.com/z17176/Chinese_conversation_sentiment

来源：

别找了，送你 20 个文本数据集：https://www.sohu.com/a/314669698_120054440