corus
1.0.0
ロードと解析のための公開されているロシアのコーパス +コードへのリンク。 20以上のデータセスト、350GB+のテキスト。
たとえば、@YutkinのLenta.ruのダンプを使用できます。アーカイブをmanoallyダウンロードします（リファレンスセクションのリンク）：
wget https://github.com/yutkin/Lenta.Ru-News-Dataset/releases/download/v1.0/lenta-ru-news.csv.gz corusを使用してデータをロードします。
> >> from corus import load_lenta
> >> path = 'lenta-ru-news.csv.gz'
> >> records = load_lenta ( path )
> >> next ( records )
LentaRecord (
url = 'https://lenta.ru/news/2018/12/14/cancer/' ,
title = 'Названы регионы России с xa0 самой высокой смертностью от xa0 рака' ,
text = 'Вице-премьер по социальным вопросам Татьяна Голикова рассказала, в каких регионах России зафиксирована наиболее высокая смертность от рака, сооб...' ,
topic = 'Россия' ,
tags = 'Общество'
)テキストを繰り返します：
> >> records = load_lenta ( path )
> >> for record in records :
... text = record . text
... ...他のデータセットとそのローダーへのリンクについては、参照セクションを参照してください。
材料はロシア語にあります：
corus Python 3.5+、Pypy 3をサポートしています。
$ pip install corus| データセット | from corus import API | タグ | テキスト | 圧迫されていません | 説明 |
|---|---|---|---|---|---|
| Lenta.ru | |||||
| Lenta.ru v1.0 | load_lenta # | news | 739 351 | 1.66 GB | wget https://github.com/yutkin/Lenta.Ru-News-Dataset/releases/download/v1.0/lenta-ru-news.csv.gz |
| lenta.ru v1.1+ | load_lenta2 # | news | 800 975 | 1.94 GB | wget https://github.com/yutkin/Lenta.Ru-News-Dataset/releases/download/v1.1/lenta-ru-news.csv.bz2 |
| lib.rus.ec | load_librusec # | fiction | 301 871 | 144.92 GB | lib.rus.ecのダンプは、ロシアのワークショップのために準備されましたwget http://panchenko.me/data/russe/librusec_fb2.plain.gz |
| Rossiya Segodnya | load_ria_raw #load_ria # | news | 1 003 869 | 3.70 GB | wget https://github.com/RossiyaSegodnya/ria_news_dataset/raw/master/ria.json.gz |
| モコロンロシアのツイッターコーパス | load_mokoron # | social sentiment | 17 633 417 | 1.86 GB | ロシアのTwitterセンチメントマークアップ Manuillaダウンロードhttps://www.dropbox.com/s/9egqjszeicki4ho/db.sql |
| ウィキペディア | load_wiki # | 1 541 401 | 12.94 GB | ロシアのウィキダンプwget https://dumps.wikimedia.org/ruwiki/latest/ruwiki-latest-pages-articles.xml.bz2 | |
| grameval2020 | load_gramru # | 162 372 | 30.04 MB | wget https://github.com/dialogue-evaluation/GramEval2020/archive/master.zipunzip master.zipmv GramEval2020-master/dataTrain trainmv GramEval2020-master/dataOpenTest devrm -r master.zip GramEval2020-masterwget https://github.com/AlexeySorokin/GramEval2020/raw/master/data/GramEval_private_test.conllu | |
| OpenCorpora | load_corpora # | morph | 4 030 | 20.21 MB | wget http://opencorpora.org/files/export/annot/annot.opcorpora.xml.zip |
| Rusvectores Simlex-965 | load_simlex # | emb sim | wget https://rusvectores.org/static/testsets/ru_simlex965_tagged.tsvwget https://rusvectores.org/static/testsets/ru_simlex965.tsv | ||
| オムニアロシア語 | load_omnia # | morph web fiction | 489.62 GB | Taiga + wiki + araneum。 「さらに大きなロシアのコーパス」https://events.spbu.ru/eventscontent/events/2019/corpora/corp_sborn.pdffを読んでください Manuillaダウンロードhttp://bit.ly/2zt4by9 | |
| FACTRUEVAL-2016 | load_factru # | ner news | 254 | 969.27 kb | 2016年のダイアログコンペティションのために準備されたマニュアルPer、loc、orgマークアップwget https://github.com/dialogue-evaluation/factRuEval-2016/archive/master.zipunzip master.ziprm master.zip |
| gareev | load_gareev # | ner news | 97 | 455.02 kb | マニュアルPer、Org Markup（locなし） 電子メールRinat Gareev（[email protected]）データセットを尋ねます tar -xvf rus-ner-news-corpus.iob.tar.gzrm rus-ner-news-corpus.iob.tar.gz |
| Collection5 | load_ne5 # | ner news | 1,000 | 2.96 MB | マニュアル、LOC、ORGマークアップを備えたニュース記事wget http://www.labinform.ru/pub/named_entities/collection5.zipunzip collection5.ziprm collection5.zip |
| ワイナー | load_wikiner # | ner | 203 287 | 36.15 MB | Per、loc、orgタグでアノテッドされたWiki Autoからの文wget https://github.com/dice-group/FOX/raw/master/input/Wikiner/aij-wikiner-ru-wp3.bz2 |
| BSNLP-2019 | load_bsnlp # | ner | 464 | 1.16 MB | 2019年のBSNLP共有タスクのために準備されたマークアップwget http://bsnlp.cs.helsinki.fi/TRAININGDATA_BSNLP_2019_shared_task.zipwget http://bsnlp.cs.helsinki.fi/TESTDATA_BSNLP_2019_shared_task.zipunzip TRAININGDATA_BSNLP_2019_shared_task.zipunzip TESTDATA_BSNLP_2019_shared_task.zip -d test_pl_cs_ru_bgrm TRAININGDATA_BSNLP_2019_shared_task.zip TESTDATA_BSNLP_2019_shared_task.zip |
| Persons-1000 | load_persons # | ner news | 1,000 | 2.96 MB | Collection5と同じ、マークアップ +正規化された名前ごとにのみwget http://ai-center.botik.ru/Airec/ai-resources/Persons-1000.zip |
| ロシアの薬物反応コーパス（Rudrec） | load_rudrec # | ner | 4 809 | 1.73 kb | Rudredcは、健康関連のエンティティの検出と医薬品の効果のための医薬品生産に関するロシア語での消費者レビューの新しい部分的に注釈されたコーパスです。ここでは、Annoted Partをダウンロードして作業させて、RAWパーツ（1.4mのレビュー）を取得することができます。https：//github.com/cimm-kzn/rudrecを参照してください。wget https://github.com/cimm-kzn/RuDReC/raw/master/data/rudrec_annotated.json |
| タイガ | さまざまなソースからのロシアのテキストの大規模なコレクション：ニュースサイト、雑誌、リテラシー、ソーシャルネットワークwget https://linghub.ru/static/Taiga/retagged_taiga.tar.gztar -xzvf retagged_taiga.tar.gz | ||||
| アルザマ | load_taiga_arzamas # | news | 311 | 4.50 MB | |
| フォンタンカ | load_taiga_fontanka # | news | 342 683 | 786.23 MB | |
| インターファックス | load_taiga_interfax # | news | 46 429 | 77.55 MB | |
| KP | load_taiga_kp # | news | 45 503 | 61.79 MB | |
| レンタ | load_taiga_lenta # | news | 36 446 | 95.15 MB | |
| Taiga/n+1 | load_taiga_nplus1 # | news | 7 696 | 24.96 MB | |
| 雑誌 | load_taiga_magazines # | 39 890 | 2.19 GB | ||
| 字幕 | load_taiga_subtitles # | 19 011 | 909.08 MB | ||
| 社交 | load_taiga_social # | social | 1 876 442 | 648.18 MB | |
| プロザ | load_taiga_proza # | fiction | 1 732 434 | 38.25 GB | |
| stihi | load_taiga_stihi # | 9 157 686 | 12.80 GB | ||
| ロシアのNLPデータセット | Webhose.io、Lenta.ruおよびその他のニュースサイトからのいくつかのロシアのニュースデータセット。 | ||||
| ニュース | load_buriy_news # | news | 2 154 801 | 6.84 GB | トップ40ニュース + 20のファッションニュースサイトのダンプ。wget https://github.com/buriy/russian-nlp-datasets/releases/download/r4/news-articles-2014.tar.bz2wget https://github.com/buriy/russian-nlp-datasets/releases/download/r4/news-articles-2015-part1.tar.bz2wget https://github.com/buriy/russian-nlp-datasets/releases/download/r4/news-articles-2015-part2.tar.bz2 |
| webhose | load_buriy_webhose # | news | 285 965 | 859.32 MB | Webhose.ioからのダンプ、1か月間300のソース。wget https://github.com/buriy/russian-nlp-datasets/releases/download/r4/webhose-2016.tar.bz2 |
| ods #proj_news_viz | #proj_news_viz ODSプロジェクトのメンバーによって削られたいくつかのニュースがあります。 | ||||
| インターファックス | load_ods_interfax # | news | 543 961 | 1.22 GB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/interfax.csv.gz |
| ガゼタ | load_ods_gazeta # | news | 865 847 | 1.63 GB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/gazeta.csv.gz |
| Izvestia | load_ods_izvestia # | news | 86 601 | 307.19 MB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/iz.csv.gz |
| Meduza | load_ods_meduza # | news | 71 806 | 270.11 MB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/meduza.csv.gz |
| リア | load_ods_ria # | news | 101 543 | 233.88 MB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/ria.csv.gz |
| 今日のロシア | load_ods_rt # | news | 106 644 | 187.12 MB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/rt.csv.gz |
| タス | load_ods_tass # | news | 1 135 635 | 3.27 GB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/tass-001.csv.gz |
| 普遍的な依存関係 | |||||
| GSD | load_ud_gsd # | morph syntax | 5 030 | 1.01 MB | wget https://github.com/UniversalDependencies/UD_Russian-GSD/raw/master/ru_gsd-ud-dev.conlluwget https://github.com/UniversalDependencies/UD_Russian-GSD/raw/master/ru_gsd-ud-test.conlluwget https://github.com/UniversalDependencies/UD_Russian-GSD/raw/master/ru_gsd-ud-train.conllu |
| タイガ | load_ud_taiga # | morph syntax | 3 264 | 353.80 kb | wget https://github.com/UniversalDependencies/UD_Russian-Taiga/raw/master/ru_taiga-ud-dev.conlluwget https://github.com/UniversalDependencies/UD_Russian-Taiga/raw/master/ru_taiga-ud-test.conlluwget https://github.com/UniversalDependencies/UD_Russian-Taiga/raw/master/ru_taiga-ud-train.conllu |
| pud | load_ud_pud # | morph syntax | 1,000 | 207.78 KB | wget https://github.com/UniversalDependencies/UD_Russian-PUD/raw/master/ru_pud-ud-test.conllu |
| Syntagrus | load_ud_syntag # | morph syntax | 61 889 | 11.33 MB | wget https://github.com/UniversalDependencies/UD_Russian-SynTagRus/raw/master/ru_syntagrus-ud-dev.conlluwget https://github.com/UniversalDependencies/UD_Russian-SynTagRus/raw/master/ru_syntagrus-ud-test.conlluwget https://github.com/UniversalDependencies/UD_Russian-SynTagRus/raw/master/ru_syntagrus-ud-train.conllu |
| Morphorueval-2017 | |||||
| 一般的なインターネットコルパス | load_morphoru_gicrya # | morph | 83 148 | 10.58 MB | wget https://github.com/dialogue-evaluation/morphoRuEval-2017/raw/master/GIKRYA_texts_new.zipunzip GIKRYA_texts_new.ziprm GIKRYA_texts_new.zip |
| ロシア国立コーパス | load_morphoru_rnc # | morph | 98 892 | 12.71 MB | wget https://github.com/dialogue-evaluation/morphoRuEval-2017/raw/master/RNC_texts.rarunrar x RNC_texts.rarrm RNC_texts.rar |
| OpenCorpora | load_morphoru_corpora # | morph | 38 510 | 4.80 MB | wget https://github.com/dialogue-evaluation/morphoRuEval-2017/raw/master/OpenCorpora_Texts.rarunrar x OpenCorpora_Texts.rarrm OpenCorpora_Texts.rar |
| Russe Russian Semantic関連性 | |||||
| HJ：単語ペアの人間の判断 | load_russe_hj # | emb sim | wget https://github.com/nlpub/russe-evaluation/raw/master/russe/evaluation/hj.csv | ||
| RT：Thresurus Ruthesからの同義語とHypernyms | load_russe_rt # | emb sim | wget https://raw.githubusercontent.com/nlpub/russe-evaluation/master/russe/evaluation/rt.csv | ||
| AE：sociation.org実験からの認知的関連 | load_russe_ae # | emb sim | wget https://github.com/nlpub/russe-evaluation/raw/master/russe/evaluation/ae-train.csvwget https://github.com/nlpub/russe-evaluation/raw/master/russe/evaluation/ae-test.csvwget https://raw.githubusercontent.com/nlpub/russe-evaluation/master/russe/evaluation/ae2.csv | ||
| トロカデータセット | |||||
| 群衆の知恵からの語彙関係（LRWC） | load_toloka_lrwc # | emb sim | wget https://tlk.s3.yandex.net/dataset/LRWC.zipunzip LRWC.ziprm LRWC.zip | ||
| ツイートのロシアの有害な薬物反応コーパス（ruadRect） | load_ruadrect # | social | 9 515 | 2.09 MB | このコーパスは、ヘルスアプリケーション用のソーシャルメディアマイニング用に開発されました（＃SMM4H）共有タスク2020wget https://github.com/cimm-kzn/RuDReC/raw/master/data/RuADReCT.zipunzip RuADReCT.ziprm RuADReCT.zip |
corus/sources/<source>.pyを実装しますcorus/sources/__init__.pyにインポートを追加しますcorus/source/meta.pyにメタを追加しますdocs.ipynbに模範を追加する（メタテーブルが正しいことを確認）dev env
python -m venv ~ /.venvs/natasha-corus
source ~ /.venvs/natasha-corus/bin/activate
pip install -r requirements/dev.txt
pip install -e .
python -m ipykernel install --user --name natasha-corusLint +更新ドキュメント
make lint
make exec-docsリリース
# Update setup.py version
git commit -am ' Up version '
git tag v0.10.0
git push
git push --tags
