nlp_chinese_corpus
version 1.0
【Langya Bang】 -Cena especial de modelo especial, los principales modelos que te importa están aquí
La última lista de maquetas chinas
Superclue: punto de referencia de evaluación integral del modelo general chino
*** actualizar ****
Evaluación de referencia de tareas chinas, 10 tareas principales y 9 modelos que se ejecutan de un solo clic, evaluación detallada:
Comprensión de idiomas de referencia de evaluación para chino (punto de referencia de pista): ejecute 10 tareas y 9 líneas de base con una línea de código, comparación de rendimiento con detalles.
Liberar el modelo previamente capacitado de Albert_Chinese:
Entrenamiento con el corpus chino 30G+ Raw, xxlarge, versión pequeña y más, objetivo para igualar el rendimiento de última generación en chino con un 30% menos de parámetros, 2019-oct-7, ¡durante el día nacional de China!
El corpus continuará expandiéndose. . .
Fase I Objetivo: Corpus chino de 10 millones de niveles y Corpus chino de 3 millones de niveles (1 de mayo de 2019)
Fase II Objetivo: Corpus chino de 30 millones de niveles y Corpus chino de 10 millones de niveles y Corpus chino de 100 millones de niveles (31 de diciembre de 2019)
ACTUALIZACIÓN: Se agregó la versión JSON de las preguntas y respuestas comunitarias de alta calidad (WebText2019zh), que se puede utilizar para entrenar modelos NLP a escala súper amplia; Agregue 5.2 millones de corpus traducido (traducción2019zh).
La información china está en todas partes, pero no es fácil y a veces muy difícil obtener una gran cantidad de corpus chino. En este momento a principios de 2019,
Los profesionales ordinarios, los investigadores o los estudiantes no tienen un buen canal para obtener una gran cantidad de corpus chino. El autor quiere capacitar a un vector de palabras chino.
Después de buscar en Baidu y GitHub durante mucho tiempo, gané muy poco: la magnitud del corpus es demasiado pequeña, los datos son demasiado viejos o el procesamiento requerido es demasiado complicado.
Me pregunto si también has encontrado tal problema.
Nuestro proyecto es contribuir con un escaso esfuerzo para resolver este problema.
Descarga de Google Drive o Baidu Cloud Drive
可以做为通用中文语料，做预训练的语料或构建词向量，也可以用于构建知识问答。
{"id":<id>,"url":<url>,"title":<title>,"text":<text>} 其中，title是词条的标题，text是正文；通过"nn"换行。
{"id": "53", "url": "https://zh.wikipedia.org/wiki?curid=53", "title": "经济学", "text": "经济学nn经济学是一门对产品和服务的生产、分配以及消费进行研究的社会科学。西方语言中的“经济学”一词源于古希腊的。nn经济学注重的是研究经济行为者在一个经济体系下的行为，以及他们彼此之间的互动。在现代，经济学的教材通常将这门领域的研究分为总体经济学和个体经济学。微观经济学检视一个社会里基本层次的行为，包括个体的行为者（例如个人、公司、买家或卖家）以及与市场的互动。而宏观经济学则分析整个经济体和其议题，包括失业、通货膨胀、经济成长、财政和货币政策等。..."}
经济学
经济学是一门对产品和服务的生产、分配以及消费进行研究的社会科学。西方语言中的“经济学”一词源于古希腊的。
经济学注重的是研究经济行为者在一个经济体系下的行为，以及他们彼此之间的互动。在现代，经济学的教材通常将这门领域的研究分为总体经济学和个体经济学。微观经济学检视一个社会里基本层次的行为，包括个体的行为者（例如个人、公司、买家或卖家）以及与市场的互动。而宏观经济学则分析整个经济体和其议题，包括失业、通货膨胀、经济成长、财政和货币政策等。
其他的对照还包括了实证经济学（研究「是什么」）以及规范经济学（研究「应该是什么」）、经济理论与实用经济学、行为经济学与理性选择经济学、主流经济学（研究理性-个体-均衡等）与非主流经济学（研究体制-历史-社会结构等）。
经济学的分析也被用在其他各种领域上，主要领域包括了商业、金融、和政府等，但同时也包括了如健康、犯罪、教育、法律、政治、社会架构、宗教、战争、和科学等等。到了21世纪初，经济学在社会科学领域各方面不断扩张影响力，使得有些学者讽刺地称其为「经济学帝国主义」。
在现代对于经济学的定义有数种说法，其中有许多说法因为发展自不同的领域或理论而有截然不同的定义，苏格兰哲学家和经济学家亚当·斯密在1776年将政治经济学定义为「国民财富的性质和原因的研究」，他说：
让-巴蒂斯特·赛伊在1803年将经济学从公共政策里独立出来，并定义其为对于财富之生产、分配、和消费的学问。另一方面，托马斯·卡莱尔则讽刺的称经济学为「忧郁的科学」（Dismal science），不过这一词最早是由马尔萨斯在1798年提出。约翰·斯图尔特·密尔在1844年提出了一个以社会科学定义经济学的角度：
.....
Descargue Google Drive o descargue Baidu Cloud Drive, contraseña: K265
Contiene 2.5 millones de artículos de noticias. La fuente de noticias cubre 63,000 medios, incluidos títulos, palabras clave, descripciones y textos.
División de conjuntos de datos: los datos se dedican y se dividen en tres partes. Conjunto de entrenamiento: 2.43 millones; Conjunto de verificación: 77,000; Conjunto de prueba, decenas de miles, no se proporciona descarga.
可以做为【通用中文语料】，训练【词向量】或做为【预训练】的语料；
也可以用于训练【标题生成】模型，或训练【关键词生成】模型（选关键词内容不同于标题的数据）；
亦可以通过新闻渠道区分出新闻的类型。
{'news_id': <news_id>,'title':<title>,'content':<content>,'source': <source>,'time':<time>,'keywords': <keywords>,'desc': <desc>, 'desc': <desc>}
其中，title是新闻标题，content是正文，keywords是关键词，desc是描述，source是新闻的来源，time是发布时间
{"news_id": "610130831", "keywords": "导游，门票","title": "故宫淡季门票40元 “黑导游”卖外地客140元", "desc": "近日有网友微博爆料称，故宫午门广场售票处出现“黑导游”，专门向外地游客出售高价门票。昨日，记者实地探访故宫，发现“黑导游”确实存在。窗口出售", "source": "新华网", "time": "03-22 12:00", "content": "近日有网友微博爆料称，故宫午门广场售票处出现“黑导游”，专门向外地游客出售高价门票。昨日，记者实地探访故宫，发现“黑导游”确实存在。窗口出售40元的门票，被“黑导游”加价出售，最高加到140元。故宫方面表示，请游客务必通过正规渠道购买门票，避免上当受骗遭受损失。目前单笔门票购买流程不过几秒钟，耐心排队购票也不会等待太长时间。....再反弹”的态势，打击黑导游需要游客配合，通过正规渠道购买门票。"}
Descargue Google Drive o descargue Baidu Cloud Drive, contraseña: FU45
Contiene 1,5 millones de preguntas y respuestas de alta calidad prefiltradas, cada una de las cuales cae en una categoría. Hay 492 categorías en total, de las cuales 434 categorías han alcanzado o superado 10 veces.
División de conjuntos de datos: los datos se dedican y se dividen en tres partes. Conjunto de entrenamiento: 1.425 millones; Conjunto de verificación: 45,000; Conjunto de prueba, decenas de miles, no se proporciona descarga.
可以做为通用中文语料，训练词向量或做为预训练的语料；也可以用于构建百科类问答；其中类别信息比较有用，可以用于做监督训练，从而构建
更好句子表示的模型、句子相似性任务等。
{"qid":<qid>,"category":<category>,"title":<title>,"desc":<desc>,"answer":<answer>}
其中，category是问题的类型，title是问题的标题，desc是问题的描述，可以为空或与标题内容一致。
{"qid": "qid_2540946131115409959", "category": "生活知识", "title": "冬天进补好一些呢，还是夏天进步好啊？ ", "desc": "", "answer": "你好！rr当然是冬天进补好的了，夏天人体的胃处于收缩状态，不适宜大量的进补，所以我们有时候说：“夏天就要吃些清淡的，就是这个道理的。”rr不过，秋季进补要注意“四忌” 一忌多多益善。任何补药服用过量都有害。认为“多吃补药，有病治病，无病强身”是不的。过量进补会加重脾胃、肝脏负担。在夏季里，人们由于喝冷饮，常食冻品，多有脾胃功能减弱的现象，这时候如果突然大量进补，会骤然加重脾胃及肝脏的负担，使长期处于疲弱的消化器官难于承受，导致消化器官功能紊乱。 rr二忌以药代食。重药物轻食物的做法是不科学的，许多食物也是好的滋补品。如多吃荠菜可治疗高血压；多吃萝卜可健胃消食，顺气宽胸；多吃山药能补脾胃。日常食用的胡桃、芝麻、花生、红枣、扁豆等也是进补的佳品。rr三忌越贵越好。每个人的身体状况不同，因此与之相适应的补品也是不同的。价格昂贵的补品如燕窝、人参之类并非对每个人都适合。每种进补品都有一定的对象和适应症，应以实用有效为滋补原则，缺啥补啥。 rr四忌只补肉类。秋季适当食用牛羊肉进补效果好。但经过夏季后，由于脾胃尚未完全恢复到正常功能，因此过于油腻的食品不易消化吸收。另外，体内过多的脂类、糖类等物质堆积可能诱发心脑血管病。"}
Bienvenido a informar la precisión del modelo en el conjunto de validación. Tarea 1: Predicción de categoría.
Los informes incluyen: #1) precisión en el conjunto de verificación; #2) modelo, descripción del método, modo de operación utilizado, 1 página PDF; #3) Código fuente de Runable (opcional)
Según el n. ° 2 y el n. ° 3, haremos pruebas en el conjunto de pruebas e informaremos la precisión en el conjunto de pruebas; Solo se proporcionan equipos con #1 y #2, y los resultados en el conjunto de verificación aún se pueden mostrar, pero se marcarán como no verificados.
Descarga de Google Drive
Contiene 4.1 millones de preguntas y respuestas de alta calidad prefiltradas. Cada pregunta pertenece a un [tema], con un total de 28,000 temas diferentes, y los temas son todo lo que lo abarca.
De los 14 millones de preguntas y respuestas originales, filtrando respuestas que recibieron al menos 3 me gusta significa que el contenido de la respuesta es relativamente bueno o interesante, obteniendo así un conjunto de datos de alta calidad.
Además de corresponder a un tema, una descripción de la pregunta y una o más respuestas para cada pregunta, cada respuestas también tiene una etiqueta como número, una identificación de respuesta y un respondedor.
División de conjuntos de datos: los datos se dedican y se dividen en tres partes. Conjunto de capacitación: 4.12 millones; Conjunto de verificación: 68,000; Test Set A: 68,000; Conjunto de pruebas B, no se proporciona descarga.
1）构建百科类问答：输入一个问题，构建检索系统得到一个回复或生产一个回复；或根据相关关键词从，社区问答库中筛选出你相关的领域数据
2）训练话题预测模型：输入一个问题(和或描述)，预测属于话题。
3）训练社区问答(cQA)系统：针对一问多答的场景，输入一个问题，找到最相关的问题，在这个基础上基于不同答案回复的质量、
问题与答案的相关性，找到最好的答案。
4）做为通用中文语料，做大模型预训练的语料或训练词向量。其中类别信息也比较有用，可以用于做监督训练，从而构建更好句子表示的模型、句子相似性任务等。
5）结合点赞数量这一额外信息，预测回复的受欢迎程度或训练答案评分系统。
{"qid":<qid>,"title":<title>,"desc":<desc>,"topic":<topic>,"star":<star>,"content":<content>,
"answer_id":<answer_id>,"answerer_tags":<answerer_tags>}
其中，qid是问题的id，title是问题的标题，desc是问题的描述，可以为空；topic是问题所属的话题，star是该回复的点赞个数，
content是回复的内容，answer_id是回复的ID,answerer_tags是回复者所携带的标签
{"qid": 65618973, "title": "AlphaGo只会下围棋吗？阿法狗能写小说吗？", "desc": "那么现在会不会有智能机器人能从事文学创作？<br>如果有，能写出什么水平的作品？", "topic": "机器人", "star": 3, "content": "AlphaGo只会下围棋，因为它的设计目的，架构，技术方案以及训练数据，都是围绕下围棋这个核心进行的。它在围棋领域的突破，证明了深度学习深度强化学习MCTS技术在围棋领域的有效性，并且取得了重大的PR效果。AlphaGo不会写小说，它是专用的，不会做跨出它领域的其它事情，比如语音识别，人脸识别，自动驾驶，写小说或者理解小说。如果要写小说，需要用到自然语言处理（NLP））中的自然语言生成技术，那是人工智能领域一个", "answer_id": 545576062, "answerer_tags": "人工智能@游戏业"}
Tarea 1: Predicción del tema.
Los informes incluyen: #1) precisión en el conjunto de verificación; #2) modelo, descripción del método, modo de operación utilizado, 1 página PDF; #3) Código fuente de Runable (opcional)
Según el n. ° 2 y el n. ° 3, haremos pruebas en el conjunto de pruebas e informaremos la precisión en el conjunto de pruebas; Solo se proporcionan equipos con #1 y #2, y los resultados en el conjunto de verificación aún se pueden mostrar, pero se marcarán como no verificados.
Tarea 2: Capacitación del sistema de preguntas y respuestas de la comunidad (CQA).
Requisitos: El indicador de evaluación adopta MAP, crea un conjunto de pruebas adecuado para problemas de clasificación e informa el efecto en el conjunto de pruebas.
Tarea 3: Use este conjunto de datos (WebText2019zh), consulte el GPT-2 de OpenAI, capacite a los modelos de escritura de texto chinos, pruebe el efecto de cero disparos en otros conjuntos de datos o evalúe el efecto de los modelos de idiomas.
Descarga de Google Drive
5.2 millones de pares de corpus paralelo en chino e inglés. Cada par contiene un inglés y el chino correspondiente. En chino o inglés, la mayoría de las veces es una oración completa con puntuación.
Para una pareja paralela china-inglés, hay 36 caracteres en chino en promedio y 19 palabras en inglés en promedio (palabras como "ella")
División de conjuntos de datos: los datos se dedican y se dividen en tres partes. Conjunto de capacitación: 5.16 millones; Conjunto de verificación: 39,000; Conjunto de prueba, decenas de miles, no se proporciona descarga.
可以用于训练中英文翻译系统，从中文翻译到英文，或从英文翻译到中文；
由于有上百万的中文句子，可以只抽取中文的句子，做为通用中文语料，训练词向量或做为预训练的语料。英文任务也可以类似操作；
{"english": <english>, "chinese": <chinese>}
其中，english是英文句子，chinese是中文句子，中英文一一对应。
{"english": "In Italy, there is no real public pressure for a new, fairer tax system.", "chinese": "在意大利，公众不会真的向政府施压，要求实行新的、更公平的税收制度。"}
Para contribuir con el corpus chino, envíe un correo electrónico a [email protected]
Para establecer conjuntamente un corpus chino abierto y compartido a gran escala para promover el desarrollo del campo del procesamiento del lenguaje natural chino, cualquier corpus proporcionado y adoptado en el proyecto,
Además de enumerar la lista de contribuyentes (opcional), seleccionaremos los 20 mejores estudiantes en función de la calidad y la magnitud del corpus, y enviaremos el teclado, el mouse y
Pantallas de pantalla, auriculares inalámbricos, altavoces inteligentes u otros elementos de valor equivalente para expresar gratitud al contribuyente.
Agregue su corpus chino aquí enviándonos un correo electrónico
Si hay algún problema con respecto a los datos, también puede contactar con nosotros, lo procesaremos dentro de una semana.
Gracias por su comprensión.
@misc{bright_xu_2019_3402023,
author = {Bright Xu},
title = {NLP Chinese Corpus: Large Scale Chinese Corpus for NLP },
month = sep,
year = 2019,
doi = {10.5281/zenodo.3402023},
version = {1.0},
publisher = {Zenodo},
url = {https://doi.org/10.5281/zenodo.3402023}
}
También nos envíe un correo electrónico con su título de papel o trabaje en el conjunto de datos de este proyecto.
Para contribuir con el corpus chino, envíe un correo electrónico: [email protected];
Experimente en la construcción de un modelo de vector de palabras de Corpus Wiki China usando Python
Una herramienta para extraer texto plano de los vertederos de Wikipedia
Convertir chino abierto (OpenCC) en Pure Python: Convertir chino abierto
vertederos de wiki, lo último en chino
