Happy清子 发表于 2019-2-15 18:08:02

GitHub出现一个大型中文NLP资源,宣称要放出亿级语料库

本帖最后由 Happy清子 于 2019-2-15 18:10 编辑

中文信息很多,但要找到合适的中文语料很难。有人看不下去了,在GitHub上开了一个项目,专门贡献中文语料资源。他说,要为解决中文语料难找贡献一份力量。
什么样的资源?
目前,这个项目中一共有3种json版资源:包含104万个词条的维基百科资源,包含250万篇新闻的新闻语料,以及包含150万个问答的百科类问答资源。
一般来说,这些资源可以作为通用的中文语料,用于预训练或者构建词向量等等。
不同的资源,用处也有不同,比如维基百科和问答百科,可以用来构建知识问答等等。新闻语料资源,囊括了标题、关键词、描述和正文,也可以用来训练标题生成模型、关键词生成模型等等。此外,在对数据集划分过的新闻语料和百科类问答资源中,只提供训练集和验证集,不提供测试集数据的下载。是因为——

希望更多人参与资源的贡献者表示,希望大家报告模型在验证集上的准确率,并提供模型信息、方法描述、运行方式,以及可运行的源代码(可选)。这些信息都有的话,资源贡献者会在测试集上测试模型,并给出准确率。他表示,项目中的语料库将会不断扩充,号召大家多多贡献资源,并给出了相应的目标:到2019年5月1日,放出10个百万级中文语料&3个千万级中文语料。到2019年12月31日,放出30个百万级中文语料 & 10个千万级中文语料 & 1个亿级中文语料。从目前已经有的资源来看,一个语料可以是一个问答,也可以是一个词条等等。这份资源的贡献者,名为徐亮,杭州实在智能的算法专家,主要关注文本分类、意图识别、问答和面向任务的对话。
如果你有兴趣,请收好资源传送门:https://github.com/brightmart/nlp_chinese_corpus
页: [1]
查看完整版本: GitHub出现一个大型中文NLP资源,宣称要放出亿级语料库