CLUEDatasetSearch
1.0.0
ชุดข้อมูล NLP ภาษาจีนและภาษาอังกฤษ คุณสามารถคลิกเพื่อค้นหา
คุณสามารถสนับสนุนพลังของคุณได้โดยการอัปโหลดข้อมูลชุดข้อมูล หลังจากอัปโหลดชุดข้อมูลห้าชุดขึ้นไปและตรวจสอบพวกเขานักเรียนสามารถใช้เป็นผู้สนับสนุนโครงการและแสดง
Clueai Toolkit: สามนาทีและสามบรรทัดของรหัสเพื่อการพัฒนา NLP ให้เสร็จสมบูรณ์ (การเรียนรู้ตัวอย่างเป็นศูนย์)
หากมีปัญหาใด ๆ กับชุดข้อมูลโปรดส่งปัญหา
ชุดข้อมูลทั้งหมดมาจากอินเทอร์เน็ตและจัดระเบียบเพื่อการสกัดได้ง่ายเท่านั้น หากมีการละเมิดหรือปัญหาอื่น ๆ โปรดติดต่อเราในเวลาเพื่อลบ
| รหัสประจำตัว | ชื่อ | วันที่อัปเดต | ผู้ให้บริการชุดข้อมูล | ใบอนุญาต | อธิบาย | คำสำคัญ | หมวดหมู่ | ที่อยู่กระดาษ | คำพูด |
|---|---|---|---|---|---|---|---|---|---|
| 1 | CCKS2017 การระบุตัวตนการตั้งชื่อกรณีอิเล็กทรอนิกส์ของจีน | พฤษภาคม 2017 | ปักกิ่ง Jimuyun Health Technology Co. , Ltd. | ข้อมูลมาจากข้อมูลเวชระเบียนอิเล็กทรอนิกส์ที่แท้จริงของแพลตฟอร์มโรงพยาบาลคลาวด์มีทั้งหมด 800 รายการ (บันทึกการเยี่ยมชมครั้งเดียวของผู้ป่วยเดี่ยว) และได้รับการรักษาด้วย desensitization | เวชระเบียนอิเล็กทรอนิกส์ | การจดจำเอนทิตีชื่อ | - | ชาวจีน | |
| 2 | CCKS2018 การระบุตัวตนการตั้งชื่อกรณีอิเล็กทรอนิกส์ของจีน | 2018 | บริษัท Yidu Cloud (Beijing) Technology Co. , Ltd. | งานการประเมินผลของการรับรู้การตั้งชื่อการตั้งชื่อเวชระเบียนอิเล็กทรอนิกส์ของ CCKS2018 ให้ตำราเวชระเบียนอิเล็กทรอนิกส์ 600 รายการซึ่งต้องใช้ทั้งหมดห้าหน่วยงานรวมถึงชิ้นส่วนกายวิภาคอาการอิสระคำอธิบายอาการการผ่าตัดและยาเสพติด | เวชระเบียนอิเล็กทรอนิกส์ | การจดจำเอนทิตีชื่อ | - | ชาวจีน | |
| 3 | MSRA ชื่อชุดข้อมูลการระบุเอนทิตีใน Microsoft Asia Research Institute | - | MSRA | ข้อมูลมาจาก MSRA แบบฟอร์มการติดฉลากเป็นประวัติและมีทั้งหมด 46,365 รายการ | MSRA | การจดจำเอนทิตีชื่อ | - | ชาวจีน | |
| 4 | ปี 1998 ชุดคำอธิบายประกอบการระบุตัวตนของประชาชนประจำวัน | มกราคม 2541 | ผู้คนทุกวัน | แหล่งข้อมูลเป็นของผู้คนทุกวันในปี 2541 และรูปแบบการติดฉลากเป็นชีวภาพมีทั้งหมด 23,061 รายการ | 98 คนทุกวัน | การจดจำเอนทิตีชื่อ | - | ชาวจีน | |
| 5 | โบซอน | - | ข้อมูล bosen | แหล่งข้อมูลคือ boson แบบฟอร์มการติดฉลากเป็น BMEO และมีทั้งหมด 2,000 รายการ | โบซอน | การจดจำเอนทิตีชื่อ | - | ชาวจีน | |
| 6 | เบาะแสเนอร์เกรดละเอียด | 2020 | เบาะแส | ชุดข้อมูล Cluener2020 ขึ้นอยู่กับชุดข้อมูลการจำแนกประเภทข้อความ ThuctC ของมหาวิทยาลัย Tsinghua ซึ่งเลือกข้อมูลบางอย่างสำหรับคำอธิบายประกอบการตั้งชื่อที่ละเอียด ข้อมูลต้นฉบับมาจาก Sina News RSS ข้อมูลมี 10 หมวดหมู่ฉลากชุดการฝึกอบรมมีคลังข้อมูลทั้งหมด 10,748 ทางและชุดการตรวจสอบมีทั้งหมด 1,343 คลัง | ละเอียด ทำให้เป็นหนอง | การจดจำเอนทิตีชื่อ | - | ชาวจีน | |
| 7 | Conll-2003 | 2546 | CNTS - กลุ่มเทคโนโลยีภาษา | ข้อมูลมาจากงาน Conll-2003 ซึ่งมีคำอธิบายประกอบสี่หมวดหมู่ ได้แก่ Per, Loc, Org และ Bisc | Conll-2003 | การจดจำเอนทิตีชื่อ | กระดาษ | ภาษาอังกฤษ | |
| 8 | การรับรู้เอนทิตี้ของ Weibo | ปี 2558 | https://github.com/hltcoe/Golden-horse | EMNLP-2015 | การจดจำเอนทิตีชื่อ | ||||
| 9 | Sighan Bakeoff 2005 | ปี 2548 | MSR/PKU | Bakeoff-2005 | การจดจำเอนทิตีชื่อ |
| รหัสประจำตัว | ชื่อ | วันที่อัปเดต | ผู้ให้บริการชุดข้อมูล | ใบอนุญาต | อธิบาย | คำสำคัญ | หมวดหมู่ | ที่อยู่กระดาษ | คำพูด |
|---|---|---|---|---|---|---|---|---|---|
| 1 | newsqa | 2019/9/13 | สถาบันวิจัย Microsoft | วัตถุประสงค์ของชุดข้อมูล Maluuba NewsQa คือการช่วยชุมชนการวิจัยสร้างอัลกอริทึมที่สามารถตอบคำถามที่ต้องใช้ความเข้าใจระดับมนุษย์และทักษะการใช้เหตุผล มันมีบทความข่าวมากกว่า 12,000 บทความและ 120,000 คำตอบโดยเฉลี่ย 616 คำต่อบทความและ 2 ถึง 3 คำตอบต่อคำถาม | ภาษาอังกฤษ | QA | กระดาษ | ||
| 2 | ทีม | สแตนฟอร์ด | ชุดข้อมูลคำถามและคำตอบของ Stanford (Squad) เป็นชุดข้อมูลความเข้าใจในการอ่านที่ประกอบด้วยคำถามที่เกิดขึ้นในชุดบทความเกี่ยวกับ Wikipedia ซึ่งคำตอบสำหรับคำถามแต่ละข้อเป็นย่อหน้าของข้อความซึ่งอาจมาจากย่อหน้าการอ่านที่เกี่ยวข้องหรือคำถามอาจไม่ได้รับคำตอบ | ภาษาอังกฤษ | QA | กระดาษ | |||
| 3 | SimpleQuestions | ระบบคำถามและคำตอบง่าย ๆ ขนาดใหญ่ขึ้นอยู่กับเครือข่ายการจัดเก็บข้อมูลชุดข้อมูลให้คำถามหลายข้อและชุดข้อมูลตอบคำถามพร้อมคำตอบ 100k สำหรับคำถามง่ายๆ | ภาษาอังกฤษ | QA | กระดาษ | ||||
| 4 | วิกิ | 2016/7/14 | สถาบันวิจัย Microsoft | เพื่อสะท้อนความต้องการข้อมูลที่แท้จริงของผู้ใช้ทั่วไป Wikiqa ใช้บันทึกการสอบถาม Bing เป็นแหล่งที่มาของปัญหา แต่ละคำถามเชื่อมโยงไปยังหน้า Wikipedia ที่อาจมีคำตอบ เนื่องจากส่วนสรุปของหน้า Wikipedia ให้ข้อมูลพื้นฐานและสำคัญที่สุดเกี่ยวกับหัวข้อนี้ประโยคในส่วนนี้ใช้เป็นคำตอบของผู้สมัคร ด้วยความช่วยเหลือของ crowdsourcing ชุดข้อมูลประกอบด้วย 3047 คำถามและ 29258 ประโยคซึ่ง 1473 ประโยคถูกทำเครื่องหมายว่าเป็นประโยคคำตอบสำหรับคำถามที่เกี่ยวข้อง | ภาษาอังกฤษ | QA | กระดาษ | ||
| 5 | Cmedqa | 2019/2/25 | Zhang Sheng | ข้อมูลจากฟอรัมการแพทย์ออนไลน์มี 54,000 คำถามและคำตอบที่สอดคล้องกันประมาณ 100,000 คำตอบ | ชาวจีน | QA | กระดาษ | ||
| 6 | cmedqa2 | 2019/1/9 | Zhang Sheng | CMEDQA รุ่นขยายมีคำถามที่เกี่ยวข้องกับทางการแพทย์ประมาณ 100,000 คำถามและสอดคล้องกันประมาณ 200,000 คำตอบ | ชาวจีน | QA | กระดาษ | ||
| 7 | WebMedqa | 2019/3/10 | เขายังคงอยู่ | ชุดข้อมูลและตอบคำถามออนไลน์ทางการแพทย์ที่มีคำถาม 60,000 คำถามและ 310,000 คำตอบและมีประเภทของคำถาม | ชาวจีน | QA | กระดาษ | ||
| 8 | XQA | 2019/7/29 | มหาวิทยาลัย Tsinghua | บทความนี้ส่วนใหญ่สร้างคำถามเปิดและตอบคำถามสำหรับคำถามและคำตอบแบบเปิด ชุดข้อมูล (ชุดการฝึกอบรมชุดทดสอบ) ส่วนใหญ่มีเก้าภาษาและคำถามและคำตอบมากกว่า 90,000 คำถาม | พูดได้หลายภาษา | QA | กระดาษ | ||
| 9 | Amazonqa | 2019/9/29 | อเมซอน | Carnegie Mellon University เสนองาน QA แบบแสดงความคิดเห็นเพื่อตอบสนองต่อจุดปวดของคำตอบซ้ำ ๆ สำหรับคำถามบนแพลตฟอร์ม Amazon นั่นคือการใช้คำถามและคำตอบก่อนหน้านี้เพื่อตอบผลิตภัณฑ์บางอย่างระบบ QA จะสรุปคำตอบให้กับลูกค้าโดยอัตโนมัติ | ภาษาอังกฤษ | QA | กระดาษ | ||
| 9 | Amazonqa | 2019/9/29 | อเมซอน | Carnegie Mellon University เสนองาน QA แบบแสดงความคิดเห็นเพื่อตอบสนองต่อจุดปวดของคำตอบซ้ำ ๆ สำหรับคำถามบนแพลตฟอร์ม Amazon นั่นคือการใช้คำถามและคำตอบก่อนหน้านี้เพื่อตอบผลิตภัณฑ์บางอย่างระบบ QA จะสรุปคำตอบให้กับลูกค้าโดยอัตโนมัติ | ภาษาอังกฤษ | QA | กระดาษ |
| รหัสประจำตัว | ชื่อ | วันที่อัปเดต | ผู้ให้บริการชุดข้อมูล | ใบอนุญาต | อธิบาย | คำสำคัญ | หมวดหมู่ | ที่อยู่กระดาษ | คำพูด |
|---|---|---|---|---|---|---|---|---|---|
| 1 | NLPCC2013 | 2013 | CCF | - | Weibo Corpus ทำเครื่องหมายด้วย 7 อารมณ์: เช่นน่ารังเกียจความสุขความโศกเศร้าความโกรธความประหลาดใจความกลัว ขนาด: 14 000 โพสต์ Weibo, 45 431 ประโยค | NLPCC2013 อารมณ์ | การวิเคราะห์ความเชื่อมั่น | กระดาษ | |
| 2 | NLPCC2014 TASK1 | 2014 | CCF | - | Weibo Corpus ทำเครื่องหมายด้วย 7 อารมณ์: เช่นน่ารังเกียจความสุขความโศกเศร้าความโกรธความประหลาดใจความกลัว ขนาด: 20,000 โพสต์ Weibo | NLPCC2014 อารมณ์ | การวิเคราะห์ความเชื่อมั่น | - | |
| 3 | NLPCC2014 TASK2 | 2014 | CCF | - | Weibo Corpus ทำเครื่องหมายด้วยบวกและลบ | NLPCC2014 ความเชื่อมั่น | การวิเคราะห์ความเชื่อมั่น | - | |
| 4 | Weibo Emotion Corpus | ปี 2559 | มหาวิทยาลัยโพลีเทคนิคฮ่องกง | - | Weibo Corpus ทำเครื่องหมายด้วย 7 อารมณ์: เช่นน่ารังเกียจความสุขความโศกเศร้าความโกรธความประหลาดใจความกลัว ขนาด: โพสต์ Weibo มากกว่า 40,000 โพสต์ | Weibo Emotion Corpus | การวิเคราะห์ความเชื่อมั่น | การสร้างอารมณ์ความรู้สึกตามการเลือกจากฉลากธรรมชาติที่มีเสียงดัง | |
| 5 | [RencEcps] (Fuji Ren สามารถติดต่อได้ ([email protected]) สำหรับข้อตกลงใบอนุญาต) | 2552 | ฟูจิเรน | - | คลังข้อมูลบล็อกที่มีคำอธิบายประกอบที่ทำเครื่องหมายด้วยอารมณ์และความรู้สึกในระดับเอกสารระดับวรรคและระดับประโยค มันมี 1,500 บล็อก, 11000 วรรคและ 35000 ประโยค | rencecps อารมณ์ความรู้สึก | การวิเคราะห์ความเชื่อมั่น | การสร้างคลังอารมณ์ของบล็อกสำหรับการวิเคราะห์การแสดงออกทางอารมณ์ของจีน | |
| 6 | weibo_senti_100k | ไม่รู้จัก | ไม่รู้จัก | - | แท็ก Sina Weibo ด้วยอารมณ์และมีความคิดเห็นเชิงบวกและเชิงลบประมาณ 50,000 รายการ | Weibo Senti ความเชื่อมั่น | การวิเคราะห์ความเชื่อมั่น | - | |
| 7 | ความคิดเห็นของผู้ใช้ในอุตสาหกรรม BDCI2018-Automobile และการรับรู้ทางอารมณ์ | 2018 | CCF | ความคิดเห็นเกี่ยวกับรถยนต์ในฟอรัมยานยนต์ทำเครื่องหมายธีมของบทกวีของรถยนต์: พลังงานราคาการตกแต่งภายในการกำหนดค่าความปลอดภัยลักษณะที่ปรากฏการจัดการการใช้เชื้อเพลิงพื้นที่และความสะดวกสบาย แต่ละหัวข้อจะถูกทำเครื่องหมายด้วยฉลากทางอารมณ์และอารมณ์แบ่งออกเป็น 3 หมวดหมู่โดยมีตัวเลข 0, 1 และ -1 ตามลำดับแสดงถึงความเป็นกลางบวกและลบตามลำดับ | แอตทริบิวต์การวิเคราะห์ความเชื่อมั่นการวิเคราะห์ความเชื่อมั่น | การวิเคราะห์ความเชื่อมั่น | - | ||
| 8 | AI Challenger ความคิดเห็นของผู้ใช้อย่างละเอียดการวิเคราะห์ความเชื่อมั่น | 2o18 | meituan | - | บทวิจารณ์การจัดเลี้ยง, 6 แอตทริบิวต์ระดับแรก, คุณสมบัติระดับ 20 วินาที, แต่ละแอตทริบิวต์จะถูกทำเครื่องหมายบวก, ลบ, เป็นกลางและไม่ได้กล่าวถึง | การวิเคราะห์ความเชื่อมั่นของคุณลักษณะ | การวิเคราะห์ความเชื่อมั่น | - | |
| 9 | BDCI2019 ข้อมูลทางการเงินเชิงลบและการกำหนดหัวเรื่อง | 2019 | ธนาคารกลาง | - | ข่าวฟิลด์การเงินแต่ละแท็กตัวอย่างรายการเอนทิตีรวมถึงรายการของหน่วยงานลบ งานคือการพิจารณาว่าตัวอย่างเป็นลบและเอนทิตีเชิงลบที่สอดคล้องกันหรือไม่ | การวิเคราะห์ความเชื่อมั่นของเอนทิตี | การวิเคราะห์ความเชื่อมั่น | - | |
| 10 | การทบทวนอีคอมเมิร์ซของ Zhijiang Cup และการแข่งขันการขุดความคิดเห็น | 2019 | ห้องปฏิบัติการ Zhijiang | - | ภารกิจในการสำรวจความคิดเห็นของการตรวจสอบแบรนด์คือการแยกคุณลักษณะของคุณลักษณะของผลิตภัณฑ์และความคิดเห็นของผู้บริโภคจากบทวิจารณ์ผลิตภัณฑ์และยืนยันขั้วทางอารมณ์และประเภทแอตทริบิวต์ของพวกเขา สำหรับคุณสมบัติบางอย่างของผลิตภัณฑ์มีชุดคำความคิดเห็นที่อธิบายซึ่งเป็นตัวแทนของมุมมองของผู้บริโภคในคุณสมบัติแอตทริบิวต์ แต่ละชุดของลักษณะคุณสมบัติของผลิตภัณฑ์ความคิดเห็นของผู้บริโภค} มีขั้วทางอารมณ์ที่สอดคล้องกัน (ลบ, เป็นกลาง, เป็นบวก) แสดงถึงความพึงพอใจของผู้บริโภคกับคุณลักษณะนี้ นอกจากนี้คุณลักษณะหลายแอตทริบิวต์สามารถแบ่งออกเป็นประเภทแอตทริบิวต์ที่แน่นอนเช่นลักษณะที่ปรากฏกล่องและคุณสมบัติแอตทริบิวต์อื่น ๆ สามารถแบ่งออกเป็นประเภทแอตทริบิวต์บรรจุภัณฑ์ ในที่สุดทีมที่เข้าร่วมจะส่งข้อมูลการทำนายที่แยกออกมาของข้อมูลการทดสอบรวมถึงสี่ฟิลด์: คำคุณลักษณะคุณสมบัติคำความคิดเห็นขั้วความคิดเห็นและประเภทแอตทริบิวต์ | การวิเคราะห์ความเชื่อมั่นของคุณลักษณะ | การวิเคราะห์ความเชื่อมั่น | - | |
| 11 | การแข่งขันอัลกอริทึมวิทยาเขต SOHU 2019 | 2019 | โซฮู | - | เมื่อพิจารณาถึงหลายบทความเป้าหมายคือการตัดสินเอนทิตีหลักของบทความและทัศนคติทางอารมณ์ที่มีต่อหน่วยงานหลัก แต่ละบทความระบุถึงสามหน่วยงานหลักและกำหนดแนวโน้มทางอารมณ์ของบทความที่มีต่อหน่วยงานหลักข้างต้น (บวกเป็นกลางและลบ) เอนทิตี: ผู้คนวัตถุภูมิภาคสถาบันกลุ่มองค์กรอุตสาหกรรมกิจกรรมเฉพาะบางอย่าง ฯลฯ ได้รับการแก้ไขและสามารถใช้เป็นคำเอนทิตีสำหรับเรื่องของบทความ เอนทิตีหลัก: คำเอนทิตีที่อธิบายหรือทำหน้าที่เป็นบทบาทหลักของบทความเป็นหลัก | การวิเคราะห์ความเชื่อมั่นของเอนทิตี | การวิเคราะห์ความเชื่อมั่น | - |
| รหัสประจำตัว | ชื่อ | วันที่อัปเดต | ผู้ให้บริการชุดข้อมูล | ใบอนุญาต | อธิบาย | คำสำคัญ | หมวดหมู่ | ที่อยู่กระดาษ | คำพูด |
|---|---|---|---|---|---|---|---|---|---|
| 1 | [2018 "Daguan Cup" การประมวลผลข้อความอัจฉริยะ] (https://www.pkbigdata.com/common/cmpt/ "Daguan Cup" ข้อความการประมวลผลอัจฉริยะ Challenge_shiti และ data.html) | กรกฎาคม 2561 | ข้อมูลในแง่ดี | ชุดข้อมูลมาจากข้อมูลในแง่ดีและเป็นงานการจำแนกประเภทข้อความยาว ส่วนใหญ่ประกอบด้วยสี่ฟิลด์: id, บทความ, word_seg และคลาส ข้อมูลมี 19 หมวดหมู่รวม 102,275 ตัวอย่าง | ข้อความยาว; การทำให้หมดแรง | การจำแนกข้อความ | - | ชาวจีน | |
| 2 | หมวดหมู่ข่าวภาษาจีน (ข้อความ) ของวันนี้ | พฤษภาคม 2561 | พาดหัวข่าววันนี้ | ชุดข้อมูลมาจาก Toutiao วันนี้และเป็นงานการจัดประเภทข้อความสั้น ๆ ข้อมูลมี 15 หมวดหมู่รวม 382,688 ตัวอย่าง | ข้อความสั้น ๆ ; ข่าว | การจำแนกข้อความ | - | ชาวจีน | |
| 3 | การจำแนกประเภทข้อความภาษาจีน Thucnews | ปี 2559 | มหาวิทยาลัย Tsinghua | Thucnews ถูกสร้างขึ้นตามการกรองข้อมูลประวัติและการกรองช่องทางสมัครสมาชิก Sina News RSS ระหว่างปี 2005 ถึง 2011 และทั้งหมดอยู่ในรูปแบบข้อความธรรมดา UTF-8 จากระบบการจำแนกประเภทข่าว SINA ดั้งเดิมเราได้รวมตัวกันใหม่และแบ่งการจำแนกประเภทผู้สมัคร 14 ประเภท: การเงิน, ลอตเตอรี, อสังหาริมทรัพย์, หุ้น, บ้าน, การศึกษา, เทคโนโลยี, สังคม, แฟชั่น, กิจการปัจจุบัน, กีฬา, สัญญาณราศี, เกมและความบันเทิงรวมทั้ง 740,000 เอกสารข่าว (2.19 GB) | เอกสาร; ข่าว | การจำแนกข้อความ | - | ชาวจีน | |
| 4 | การจำแนกข้อความภาษาจีนของมหาวิทยาลัย Fudan | - | กลุ่มประมวลผลภาษาธรรมชาติภาควิชาข้อมูลและเทคโนโลยีคอมพิวเตอร์มหาวิทยาลัย Fudan, ศูนย์ฐานข้อมูลระหว่างประเทศ | ชุดข้อมูลมาจาก Fudan University และเป็นงานจำแนกประเภทข้อความสั้น ๆ ข้อมูลมี 20 หมวดหมู่โดยมีเอกสารทั้งหมด 9,804 เอกสาร | เอกสาร; ข่าว | การจำแนกข้อความ | - | ชาวจีน | |
| 5 | ชื่อข่าวการจำแนกข้อความสั้น ๆ | ธันวาคม 2562 | Chenfengshf | การแบ่งปันโดเมนสาธารณะ CC0 | ชุดข้อมูลมาจากแพลตฟอร์ม KESCI และเป็นงานการจำแนกข้อความสั้น ๆ สำหรับฟิลด์ชื่อข่าว เนื้อหาส่วนใหญ่เป็นชื่อข้อความสั้น ๆ (ความยาว <50) ข้อมูลมี 15 หมวดหมู่รวม 38W ตัวอย่าง | ข้อความสั้น ๆ ; ชื่อข่าว | การจำแนกข้อความ | - | ชาวจีน |
| 6 | 2017 Zhihu Kanshan Cup Machine Challenge Challenge | มิถุนายน 2560 | สมาคมปัญญาประดิษฐ์จีน; Zhihu | ชุดข้อมูลมาจาก Zhihu ซึ่งเป็นข้อมูลที่ใส่คำอธิบายประกอบสำหรับความสัมพันธ์ที่มีผลผูกพันระหว่างคำถามและแท็กหัวข้อ แต่ละคำถามมีแท็ก 1 แท็กขึ้นไปโดยมีแท็กทั้งหมด 1,999 แท็กซึ่งมีคำถามทั้งหมด 3 ล้านคำถาม | คำถาม; ข้อความสั้น ๆ | การจำแนกข้อความ | - | ชาวจีน | |
| 7 | 2019 Zhijiang Cup - การทบทวนอีคอมเมิร์ซทบทวนความคิดเห็นการแข่งขันการขุด | สิงหาคม 2019 | ห้องปฏิบัติการ Zhijiang | ภารกิจในการสำรวจความคิดเห็นของการตรวจสอบแบรนด์คือการแยกคุณลักษณะของคุณลักษณะของผลิตภัณฑ์และความคิดเห็นของผู้บริโภคจากบทวิจารณ์ผลิตภัณฑ์และยืนยันขั้วทางอารมณ์และประเภทแอตทริบิวต์ของพวกเขา สำหรับคุณสมบัติบางอย่างของผลิตภัณฑ์มีชุดคำความคิดเห็นที่อธิบายซึ่งเป็นตัวแทนของมุมมองของผู้บริโภคในคุณสมบัติแอตทริบิวต์ แต่ละกลุ่มของ {คุณสมบัติของคุณลักษณะของผลิตภัณฑ์ความคิดเห็นของผู้บริโภค} มีขั้วทางอารมณ์ที่สอดคล้องกัน (ลบ, เป็นกลาง, เป็นบวก) ซึ่งแสดงถึงระดับของความพึงพอใจของผู้บริโภคด้วยคุณลักษณะนี้ | ความคิดเห็น; ข้อความสั้น ๆ | การจำแนกข้อความ | - | ชาวจีน | |
| 8 | การจำแนกข้อความยาวของ iflytek | - | iflytek | ชุดข้อมูลนี้มีข้อมูลข้อความยาวมากกว่า 17,000 ข้อมูลเกี่ยวกับคำอธิบายแอปพลิเคชันแอปพลิเคชันรวมถึงหัวข้อแอปพลิเคชันต่างๆที่เกี่ยวข้องกับชีวิตประจำวันโดยมีทั้งหมด 119 หมวดหมู่ | ข้อความยาว | การจำแนกข้อความ | - | ชาวจีน | |
| 9 | ข้อมูลการจำแนกข่าวทั่วทั้งเครือข่าย (SOGOUCA) | 16 สิงหาคม 2555 | โซโกว | ข้อมูลนี้มาจากข้อมูลข่าวจาก 18 ช่องทางรวมถึงในประเทศ, ระหว่างประเทศ, กีฬา, สังคม, ความบันเทิง ฯลฯ ตั้งแต่เดือนมิถุนายนถึงกรกฎาคม 2012, 2012 | ข่าว | การจำแนกข้อความ | - | ชาวจีน | |
| 10 | ข้อมูลข่าว SOHU (SOGOUCS) | สิงหาคม 2555 | โซโกว | แหล่งข้อมูลคือ SOHU News จาก 18 ช่องทางรวมถึงในประเทศ, ระหว่างประเทศ, กีฬา, สังคม, ความบันเทิง ฯลฯ ตั้งแต่เดือนมิถุนายนถึงกรกฎาคม 2012 | ข่าว | การจำแนกข้อความ | - | ชาวจีน | |
| 11 | มหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีการจำแนกข่าวการจำแนกประเภท | พฤศจิกายน 2560 | Liu Yu Institute of Automation, Chinese Academy of Sciences ศูนย์ข้อมูลครอบคลุม | ไม่สามารถดาวน์โหลดได้ในขณะนี้ฉันได้ติดต่อผู้แต่งแล้วรอข้อเสนอแนะ | ข่าว | ||||
| 12 | chnsenticorp_htl_all | มีนาคม 2561 | https://github.com/sophonplus/chinesenlpcorpus | ข้อมูลรีวิวโรงแรมมากกว่า 7000 รายการความคิดเห็นเชิงบวกมากกว่า 5,000 บทวิจารณ์เชิงลบมากกว่า 2,000 บทวิจารณ์ | |||||
| 13 | waimai_10k | มีนาคม 2561 | https://github.com/sophonplus/chinesenlpcorpus | ความคิดเห็นของผู้ใช้ที่รวบรวมโดยแพลตฟอร์มซื้อกลับบ้านเป็น 4,000 บวกและประมาณ 8,000 ลบ | |||||
| 14 | online_shopping_10_cats | มีนาคม 2561 | https://github.com/sophonplus/chinesenlpcorpus | มี 10 หมวดหมู่โดยมีความคิดเห็นมากกว่า 60,000 รายการและความคิดเห็นเชิงบวกและเชิงลบประมาณ 30,000 รายการรวมถึงหนังสือ, แท็บเล็ต, โทรศัพท์มือถือ, ผลไม้, แชมพู, เครื่องทำน้ำอุ่น, Mengniu, เสื้อผ้า, คอมพิวเตอร์, โรงแรม, โรงแรม | |||||
| 15 | weibo_senti_100k | มีนาคม 2561 | https://github.com/sophonplus/chinesenlpcorpus | มากกว่า 100,000 ชิ้นที่ทำเครื่องหมายด้วยอารมณ์ใน Sina Weibo และความคิดเห็นเชิงบวกและเชิงลบประมาณ 50,000 รายการ | |||||
| 16 | Simplifyweibo_4_moods | มีนาคม 2561 | https://github.com/sophonplus/chinesenlpcorpus | มากกว่า 360,000 ชิ้นทำเครื่องหมายด้วยอารมณ์ของ Sina Weibo มีอารมณ์ 4 ชนิดรวมถึงความสุขประมาณ 200,000 ชิ้นความโกรธประมาณ 50,000 ชิ้นความรังเกียจและความซึมเศร้า | |||||
| 17 | dmsc_v2 | มีนาคม 2561 | https://github.com/sophonplus/chinesenlpcorpus | ภาพยนตร์ 28 เรื่องผู้ใช้มากกว่า 700,000 คนข้อมูลการให้คะแนน/ความคิดเห็นมากกว่า 2 ล้านรายการ | |||||
| 18 | yf_dianping | มีนาคม 2561 | https://github.com/sophonplus/chinesenlpcorpus | 240,000 ร้านอาหารผู้ใช้ 540,000 คนความคิดเห็น/ข้อมูลการให้คะแนน 4.4 ล้าน | |||||
| 19 | yf_amazon | มีนาคม 2561 | https://github.com/sophonplus/chinesenlpcorpus | 520,000 รายการ, มากกว่า 1,100 หมวดหมู่, ผู้ใช้ 1.42 ล้านคน, 7.2 ล้านความคิดเห็น/ข้อมูลการให้คะแนน |
| รหัสประจำตัว | ชื่อ | วันที่อัปเดต | ผู้ให้บริการชุดข้อมูล | ใบอนุญาต | อธิบาย | คำสำคัญ | หมวดหมู่ | ที่อยู่กระดาษ | คำพูด |
|---|---|---|---|---|---|---|---|---|---|
| 1 | LCQMC | 2018/6/6 | Harbin Institute of Technology (เซินเจิ้น) ศูนย์วิจัยคอมพิวเตอร์อัจฉริยะ | Creative Commons Attribution 4.0 ใบอนุญาตระหว่างประเทศ | ชุดข้อมูลนี้มีคู่คำถามจีน 260,068 คู่จากหลายสาขา คู่ประโยคที่มีความตั้งใจในการสอบถามเดียวกันจะถูกทำเครื่องหมายเป็น 1 มิฉะนั้นจะเป็น 0; และพวกเขาจะแบ่งเป็นชุดฝึกอบรม: 238,766 คู่, ชุดตรวจสอบความถูกต้อง: 8802 คู่, ชุดทดสอบ: 12,500 คู่ | การจับคู่คำถามขนาดใหญ่; การจับคู่ความตั้งใจ | การจับคู่ข้อความสั้น การจับคู่คำถาม | กระดาษ | |
| 2 | BQ Corpus | 2018/9/4 | Harbin Institute of Technology (เซินเจิ้น) ศูนย์วิจัยคอมพิวเตอร์อัจฉริยะ; เว็บแมนค์ | มี 120,000 คู่ในชุดข้อมูลนี้จากบันทึกบริการให้คำปรึกษาของธนาคารเป็นเวลาหนึ่งปี คู่ประโยคมีความตั้งใจที่แตกต่างกันทำเครื่องหมายด้วยอัตราส่วนของตัวอย่างบวกและลบ 1: 1 | คำถามบริการธนาคาร การจับคู่ความตั้งใจ | การจับคู่ข้อความสั้น คำถามการตรวจจับความสอดคล้อง | กระดาษ | ||
| 3 | AFQMC ANT ความคล้ายคลึงกันทางการเงินความคล้ายคลึงกัน | 2018/4/25 | มดการเงิน | ให้ข้อมูลที่มีป้ายกำกับ 100,000 คู่ (อัปเดตเป็นแบทช์อัปเดต) เป็นข้อมูลการฝึกอบรมรวมถึงคู่ที่มีความหมายเหมือนกันและคู่ต่างกัน | คำถามทางการเงิน | การจับคู่ข้อความสั้น การจับคู่คำถาม | |||
| 4 | การแข่งขัน Paipaidai ครั้งที่สาม "Magic Mirror Cup" | 2018/6/10 | Paipaidai สถาบันวิจัยการเงินอัจฉริยะ | ไฟล์ train.csv มี 3 คอลัมน์คือฉลาก (ฉลากซึ่งหมายความว่าคำถามที่ 1 และคำถามที่ 2 หมายถึงเหมือนกัน 1 หมายถึงเหมือนกันและ 0 หมายถึงความแตกต่าง) จำนวนคำถาม 1 (Q1) และจำนวนคำถามที่ 2 (Q2) หมายเลขปัญหาทั้งหมดที่ปรากฏในไฟล์นี้ปรากฏในคำถาม csv | สินค้าการเงิน | การจับคู่ข้อความสั้น การจับคู่คำถาม | |||
| 5 | Cail2019 การแข่งขันจับคู่กรณีที่คล้ายกัน | 2019/6 | มหาวิทยาลัย Tsinghua; เครือข่ายเอกสารการตัดสินของจีน | สำหรับข้อมูลแต่ละข้อมูลจะใช้แฝดสาม (A, B, C) เพื่อแสดงข้อมูลโดยที่ A, B, C ทั้งหมดสอดคล้องกับเอกสารบางอย่าง ความคล้ายคลึงกันระหว่างข้อมูลเอกสาร A และ B นั้นมากกว่าความคล้ายคลึงกันระหว่าง A และ B นั่นคือ SIM (A, B)> SIM (A, C) | เอกสารทางกฎหมาย; กรณีคล้ายกัน | การจับคู่ข้อความยาว | |||
| 6 | CCKS 2018 Webank Intelligent Customer คำถามการแข่งขันการแข่งขันการแข่งขัน | 2018/4/5 | Harbin Institute of Technology (เซินเจิ้น) ศูนย์วิจัยคอมพิวเตอร์อัจฉริยะ; เว็บแมนค์ | คำถามบริการธนาคาร การจับคู่ความตั้งใจ | การจับคู่ข้อความสั้น การจับคู่คำถาม | ||||
| 7 | chinesetextualinference | 2018/12/15 | Liu Huanyong, สถาบันวิจัยซอฟต์แวร์, Chinese Academy of Sciences | โครงการอนุมานข้อความภาษาจีนรวมถึงการแปลและการก่อสร้างชุดข้อมูลที่มีข้อความที่ประกอบด้วยข้อความจีน 880,000 ชุดและการสร้างรูปแบบการตัดสินที่มีข้อความที่มีอยู่บนพื้นฐานของการเรียนรู้เชิงลึก | NLI จีน | การอนุมานข้อความภาษาจีน การรวมข้อความ | |||
| 8 | NLPCC-DBQA | 2016/2017/2018 | NLPCC | คำถามที่ได้รับ - เครื่องหมายของคำตอบและคำตอบนั้นเป็นหนึ่งในคำตอบของคำถาม 1 หมายถึงใช่, 0 หมายถึงไม่ | DBQA | การจับคู่ถาม - ตอบ | |||
| 9 | แบบจำลองการคำนวณสำหรับความสัมพันธ์ระหว่างโครงการ "ข้อกำหนดทางเทคนิค" และ "ความสำเร็จทางเทคนิค" | 201/8/32 | CCF | ข้อกำหนดทางเทคนิคและความสำเร็จทางเทคนิคในรูปแบบข้อความที่กำหนดรวมถึงฉลากสหสัมพันธ์ระหว่างข้อกำหนดและผลลัพธ์ ความสัมพันธ์ระหว่างข้อกำหนดทางเทคนิคและความสำเร็จทางเทคนิคแบ่งออกเป็นสี่ระดับ: ความสัมพันธ์ที่แข็งแกร่งความสัมพันธ์ที่แข็งแกร่งความสัมพันธ์ที่อ่อนแอและไม่มีความสัมพันธ์กัน | ข้อความยาว; ข้อกำหนดจับคู่ผลลัพธ์ | การจับคู่ข้อความยาว | |||
| 10 | CNSD/blue-cmnli | 2019/12 | Zengjunjun | ชุดข้อมูลการอนุมานภาษาธรรมชาติของจีนข้อมูลนี้และชุดข้อมูลภาษาอังกฤษดั้งเดิมถูกสร้างขึ้นโดยการแปลและเป็นส่วนหนึ่งของการแก้ไขด้วยตนเองซึ่งสามารถบรรเทาปัญหาการอนุมานภาษาธรรมชาติของจีนไม่เพียงพอและชุดข้อมูลการคำนวณความคล้ายคลึงกันของความหมายในระดับหนึ่ง | NLI จีน | การอนุมานภาษาธรรมชาติจีน | กระดาษ | ||
| 11 | cmedqa v1.0 | 2017/4/5 | Xunyao Xunyi.com และโรงเรียนระบบสารสนเทศและการจัดการเทคโนโลยีมหาวิทยาลัยกลาโหมแห่งชาติ | ชุดข้อมูลเป็นคำถามและคำตอบที่ถามในเว็บไซต์ Xunyi Xunpharma ชุดข้อมูลได้รับการประมวลผลโดยไม่ระบุชื่อและให้คำถาม 50,000 คำถามและ 94,134 คำตอบในชุดการฝึกอบรมโดยมีจำนวนอักขระเฉลี่ยต่อคำถามและคำตอบคือ 120 และ 212 ตามลำดับ ชุดการตรวจสอบมี 2,000 คำถามและ 3,774 คำตอบโดยมีจำนวนอักขระเฉลี่ยต่อคำถามและคำตอบคือ 117 และ 212 ตามลำดับ ชุดทดสอบมี 2,000 คำถามและ 3,835 คำตอบโดยมีจำนวนอักขระเฉลี่ยต่อคำถามและคำตอบคือ 119 และ 211 ตามลำดับ ชุดข้อมูลมีคำถาม 54,000 คำถามและ 101,743 คำตอบโดยมีจำนวนอักขระเฉลี่ยต่อคำถามและคำตอบคือ 119 และ 212 ตามลำดับ | การจับคู่คำถามและคำตอบทางการแพทย์ | การจับคู่ถาม - ตอบ | กระดาษ | ||
| 12 | cmedqa2 | 2018/11/8 | Xunyao Xunyi.com และโรงเรียนระบบสารสนเทศและการจัดการเทคโนโลยีมหาวิทยาลัยกลาโหมแห่งชาติ | แหล่งที่มาของชุดข้อมูลนี้คือคำถามและคำตอบที่ถามในเว็บไซต์ Xunyi Xunpharma ชุดข้อมูลได้รับการประมวลผลโดยไม่ระบุชื่อและมีการรวบรวมคำถาม 100,000 คำถามและ 188,490 คำตอบในชุดการฝึกอบรมโดยมีจำนวนอักขระเฉลี่ยต่อคำถามและคำตอบคือ 48 และ 101 ตามลำดับ ชุดการตรวจสอบมีคำถาม 4,000 ข้อและ 7,527 คำตอบโดยมีจำนวนอักขระเฉลี่ยต่อคำถามและคำตอบคือ 49 และ 101 ตามลำดับ ชุดทดสอบมีคำถาม 4,000 ข้อและ 7,552 คำตอบโดยมีจำนวนอักขระเฉลี่ยต่อคำถามและคำตอบคือ 49 และ 100 ตามลำดับ จำนวนอักขระทั้งหมดต่อคำถามและคำตอบคือ 108,000 คำถามและ 203,569 คำตอบโดยมีจำนวนอักขระเฉลี่ยต่อคำถามและคำตอบคือ 49 และ 101 ตามลำดับ | การจับคู่คำถามและคำตอบทางการแพทย์ | การจับคู่ถาม - ตอบ | กระดาษ | ||
| 13 | Chinesests | 2017/9/21 | Tang Shancheng, Bai Yunyue, Ma Fuyu มหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยี Xi'an | ชุดข้อมูลนี้ให้ชุดข้อมูลที่คล้ายกันของจีน 12747 คู่ หลังจากชุดข้อมูลผู้เขียนให้คะแนนความคล้ายคลึงกันและคลังข้อมูลประกอบด้วยประโยคสั้น ๆ | การจับคู่ความคล้ายคลึงกันของประโยคสั้น ๆ | การจับคู่ความคล้ายคลึงกัน | |||
| 14 | ชุดข้อมูลของปัญหาทางการแพทย์การแข่งขันการวัดความคล้ายคลึงกันที่จัดขึ้นโดยการประชุมการประมวลผลข้อมูลสุขภาพของจีน | 2018 | Chip 2018- การประชุมการประมวลผลข้อมูลสุขภาพของจีนครั้งที่ 4 (CHIP) | เป้าหมายหลักของงานการประเมินนี้คือการตรงกับความตั้งใจของประโยคคำถามตามคลังข้อมูลการให้คำปรึกษาด้านสุขภาพของผู้ป่วยจีนที่แท้จริง กำหนดสองข้อความจำเป็นต้องตรวจสอบว่าความตั้งใจของทั้งสองนั้นเหมือนกันหรือคล้ายกัน คลังข้อมูลทั้งหมดมาจากคำถามจริงของผู้ป่วยบนอินเทอร์เน็ตและได้รับการคัดเลือกและฉลากการจับคู่ความตั้งใจประดิษฐ์ ชุดข้อมูลได้รับการ desensitized และปัญหาถูกทำเครื่องหมายด้วยชุดการฝึกอบรมตัวบ่งชี้ดิจิตอลมีข้อมูลที่ทำเครื่องหมายไว้ประมาณ 20,000 ข้อมูล (desensitized รวมถึงเครื่องหมายวรรคตอน) และชุดทดสอบมีข้อมูลฟรีฉลากประมาณ 10,000 (desensitized รวมถึงเครื่องหมายวรรคตอน> สัญลักษณ์) | การจับคู่ความคล้ายคลึงกันสำหรับปัญหาทางการแพทย์ | การจับคู่ความคล้ายคลึงกัน | |||
| 15 | cos960: ชุดข้อมูลความคล้ายคลึงกันของคำภาษาจีนที่ 960 คำคู่ | 2019/6/6 | มหาวิทยาลัย Tsinghua | ชุดข้อมูลมีคำ 960 คู่และแต่ละคู่วัดโดยเจ้าของภาษา 15 คนด้วยคะแนนความคล้ายคลึงกัน คำ 960 คู่แบ่งออกเป็นสามกลุ่มตามฉลากรวมถึงคำนาม 480 คู่, คำกริยา 240 คู่และคำคุณศัพท์ 240 คู่ | ความคล้ายคลึงกันระหว่างคำพูด | คำพ้องความหมาย | กระดาษ | ||
| 16 | ชุดข้อมูลการจับคู่ความหมายแบบคิวรีสค้นหาของ OPPO Mobile Search (https://pan.baidu.com/s/1hg2hubsn3geuu4gubbhczw รหัสผ่าน 7p3n) | 2018/11/6 | โอปโป | ชุดข้อมูลนี้มาจากสถานการณ์การค้นหาการค้นหาการค้นหาการเพิ่มประสิทธิภาพการค้นหาการเพิ่มประสิทธิภาพแบบเรียลไทม์ สถานการณ์นี้ส่งคืนผลลัพธ์การสืบค้นแบบเรียลไทม์เมื่อผู้ใช้ป้อนอย่างต่อเนื่อง ชุดข้อมูลนี้ได้รับการทำให้ง่ายขึ้นตามนี้บนพื้นฐานนี้โดยให้การจับคู่ความหมายแบบสอบถาม Title นั่นคือปัญหาของการทำนาย CTR | การจับคู่ชื่อคำถามการทำนาย CTR | การจับคู่ความคล้ายคลึงกัน | |||
| 17 | การประเมินผลการค้นหาเว็บ (SOGOUE) | ปี 2555 | โซโกว | ข้อตกลงใบอนุญาตข้อมูลห้องปฏิบัติการ SOGOU | ชุดข้อมูลนี้มีข้อกำหนดการสืบค้น URL ที่เกี่ยวข้องและข้อมูลการค้นหาสำหรับหมวดหมู่การสืบค้น รูปแบบมีดังนี้: ข้อกำหนดการสืบค้น] trelated urls tQuery หมวดหมู่ที่รับประกันว่า URL มีอยู่ในคลังอินเทอร์เน็ตที่เกี่ยวข้อง "1" ในหมวดหมู่การสืบค้นแสดงถึงการสืบค้นการนำทาง "2" หมายถึงการสืบค้นข้อมูล | การประเมินประสิทธิภาพของเครื่องมือค้นหาอัตโนมัติด้วยการวิเคราะห์ข้อมูลแบบคลิกผ่าน | การทำนายการจับคู่ประเภทแบบสอบถาม |
| รหัสประจำตัว | ชื่อ | วันที่อัปเดต | ผู้ให้บริการชุดข้อมูล | ใบอนุญาต | อธิบาย | คำสำคัญ | หมวดหมู่ | ที่อยู่กระดาษ | คำพูด |
|---|---|---|---|---|---|---|---|---|---|
| 1 | LCSTS | 2015/8/6 | Qingcai Chen | ชุดข้อมูลมาจาก Sina Weibo และมีข้อความสั้น ๆ ของจีนประมาณสองล้านตัว แต่ละข้อมูลมีสองฟิลด์นามธรรมและข้อความที่ใส่คำอธิบายประกอบโดยผู้เขียน มีข้อมูล 10,666 ข้อมูลด้วยตนเองเกี่ยวกับความสัมพันธ์ระหว่างข้อความสั้นและสรุปและความสัมพันธ์จะเพิ่มขึ้นจาก 1 เป็น 5 | สรุปข้อความเดียว; ข้อความสั้น ๆ ; ความเกี่ยวข้องกับข้อความ | ข้อความสรุป | กระดาษ | ||
| 2 | ชุดข้อมูลสรุปข้อความสั้น ๆ ภาษาจีน | 2018/6/20 | เขาเจิ้งฟาง | ข้อมูลมาจาก Weibo เผยแพร่โดย Sina Weibo Mainstream Media มีข้อมูลทั้งหมด 679,898 ชิ้น | สรุปข้อความเดียว; ข้อความสั้น ๆ | ข้อความสรุป | - | ||
| 3 | อุตสาหกรรมการศึกษาและการฝึกอบรมบทคัดย่อบทคัดย่อจีนคลังข้อมูลภาษาจีนอัตโนมัติ | 2018/6/5 | ไม่ระบุชื่อ | คลังข้อมูลรวบรวมบทความทางประวัติศาสตร์จากสื่อแนวตั้งหลักในอุตสาหกรรมการศึกษาและการฝึกอบรมโดยมีข้อมูลประมาณ 24,500 ชิ้นข้อมูลแต่ละชิ้นรวมถึงสองสาขาที่มีคำอธิบายประกอบโดยผู้เขียนและร่างกาย | สรุปข้อความเดียว; การศึกษาและการฝึกอบรม | ข้อความสรุป | - | ||
| 4 | NLPCC2017 task3 | 2017/11/8 | ผู้จัดงาน NLPCC2017 | ชุดข้อมูลมาจากฟิลด์ข่าวและเป็นข้อมูลงานที่จัดทำโดย NLPCC 2017 และสามารถใช้สำหรับสรุปข้อความเดียว | สรุปข้อความเดียว; ข่าว | ข้อความสรุป | - | ||
| 5 | Shence Cup 2018 | 2018/10/11 | ผู้จัดประกวด DC | ข้อมูลมาจากข้อความข่าวและจัดทำโดยผู้จัดงาน DC มันจำลองสถานการณ์ทางธุรกิจและมีจุดมุ่งหมายเพื่อแยกคำหลักออกจากข้อความข่าว ผลลัพธ์สุดท้ายคือการปรับปรุงผลกระทบของคำแนะนำและภาพผู้ใช้ | คำหลักข้อความ; ข่าว | ข้อความสรุป | - | ||
| 6 | Byte Cup 2018 การแข่งขันการเรียนรู้ของเครื่องจักรระหว่างประเทศ | 2018/12/4 | การบดขยี้ | ข้อมูลมาจากบทความ Topbuzz ของ Bytedance และ Open Copyright ชุดการฝึกอบรมประกอบด้วยข้อมูลข้อความประมาณ 1.3 ล้านบทความ 1,000 บทความในชุดการตรวจสอบและบทความ 800 บทความในชุดทดสอบ ข้อมูลสำหรับชุดทดสอบและชุดการตรวจสอบความถูกต้องแต่ละชุดมีการระบุด้วยตนเองด้วยชื่อที่เป็นไปได้หลายชื่อเป็นทางเลือกคำตอบผ่านการแก้ไขด้วยตนเอง | สรุปข้อความเดียว; วิดีโอ; ข่าว | ข้อความสรุป | - | ภาษาอังกฤษ | |
| 7 | ห้องข่าว | 2018/6/1 | น่าสยดสยอง | ข้อมูลได้มาจากการค้นหาและเมตาดาต้าทางสังคมตั้งแต่ปี 2541-2560 และใช้การผสมผสานของกลยุทธ์นามธรรมที่รวมการสกัดและนามธรรมรวมถึงบทความและบทคัดย่อ 1.3 ล้านบทความที่เขียนโดยผู้เขียนและบรรณาธิการในแผนกบรรณาธิการสิ่งพิมพ์สำคัญ 38 ฉบับ | สรุปข้อความเดียว; ข้อมูลเมตาทางสังคม; ค้นหา | ข้อความสรุป | กระดาษ | ภาษาอังกฤษ | |
| 8 | [duc/tac] (https://duc.nist.gov/ https://tac.nist.gov//) | 2014/9/9 | คนที่มีความสำคัญ | ชื่อเต็มคือการประชุมการประชุมการประชุม/การวิเคราะห์ข้อความ ชุดข้อมูลมาจากบรรทัดข่าวและข้อความบนเว็บในคลังข้อมูลที่ใช้ในการแข่งขัน TAC KBP ประจำปี (TAC Knowledge Base Base) | บทสรุปข้อความ/ข้อความหลายข้อความ; ข่าว | ข้อความสรุป | - | ภาษาอังกฤษ | |
| 9 | CNN/Daily Mail | 2017/7/31 | สแตนฟอร์ด | GNU v3 | ชุดข้อมูลมาจาก CNN และ Dailymail บนโทรศัพท์มือถือประมาณหนึ่งล้านข้อมูลข่าวเป็นคลังข้อมูลของความเข้าใจในการอ่านเครื่อง | สรุปหลายข้อความ; ข้อความยาว; ข่าว | ข้อความสรุป | กระดาษ | ภาษาอังกฤษ |
| 10 | รีวิว Amazon Snap | 2013/3/1 | สแตนฟอร์ด | ข้อมูลมาจากรีวิวการช็อปปิ้งเว็บไซต์ของ Amazon และคุณสามารถรับข้อมูลในแต่ละหมวดหมู่ที่สำคัญ (เช่นอาหารภาพยนตร์ ฯลฯ ) หรือคุณสามารถรับข้อมูลทั้งหมดได้พร้อมกัน | สรุปหลายข้อความ; รีวิวการช็อปปิ้ง | ข้อความสรุป | - | ภาษาอังกฤษ | |
| 11 | กิกะวอร์ด | 2003/1/28 | David Graff, Christopher Cieri | ชุดข้อมูลประกอบด้วยบทความข่าวประมาณ 950,000 บทความซึ่งถูกสรุปโดยชื่อบทความและเป็นของชุดข้อมูลสรุปประโยคเดียว | สรุปข้อความเดียว; ข่าว | ข้อความสรุป | ภาษาอังกฤษ | ||
| 12 | RA-MDS | 2017/9/11 | Piji Li | ชื่อเต็มคือการสรุปหลายเอกสารที่ผู้อ่านทราบ ชุดข้อมูลมาจากบทความข่าวและรวบรวมทำเครื่องหมายและตรวจสอบโดยผู้เชี่ยวชาญ 45 หัวข้อได้รับการคุ้มครองแต่ละรายการมีเอกสารข่าว 10 ฉบับและสรุปโมเดล 4 ฉบับเอกสารข่าวแต่ละฉบับมีค่าเฉลี่ย 27 ประโยคและเฉลี่ย 25 คำต่อประโยค | สรุปหลายข้อความ; ข่าว; การติดฉลากด้วยตนเอง | ข้อความสรุป | กระดาษ | ภาษาอังกฤษ | |
| 13 | TIPSTER SUMMAC | 2003/5/21 | บริษัท MITOR และมหาวิทยาลัยเอดินเบอระ | ข้อมูลประกอบด้วยเอกสาร 183 เอกสารที่ทำเครื่องหมายโดยการคำนวณและภาษา (CMP-LG) และเอกสารมาจากเอกสารที่เผยแพร่โดยการประชุม ACL | สรุปหลายข้อความ; ข้อความยาว | ข้อความสรุป | - | ภาษาอังกฤษ | |
| 14 | wikihow | 2018/10/18 | Mahnaz Koupaee | แต่ละข้อมูลเป็นบทความแต่ละบทความประกอบด้วยหลายย่อหน้าแต่ละย่อหน้าเริ่มต้นด้วยประโยคที่สรุป โดยการรวมย่อหน้าเข้ากับบทความและย่อหน้าที่สรุปเป็นบทคัดย่อชุดข้อมูลสุดท้ายของชุดข้อมูลมีคู่ลำดับยาวมากกว่า 200,000 คู่ | สรุปหลายข้อความ; ข้อความยาว | ข้อความสรุป | กระดาษ | ภาษาอังกฤษ | |
| 15 | มัลตินิวส์ | 2019/12/4 | Alex Fabbri | ข้อมูลมาจากบทความอินพุตจากเว็บไซต์ที่แตกต่างกันกว่า 1,500 แห่งและบทสรุประดับมืออาชีพจำนวน 56,216 บทความที่ได้รับจากเว็บไซต์ Newser.com | สรุปหลายข้อความ | ข้อความสรุป | กระดาษ | ภาษาอังกฤษ | |
| 16 | บทสรุป Med | 2018/8/17 | d.potapov | ชุดข้อมูลใช้สำหรับการประเมินสรุปวิดีโอแบบไดนามิกและมีคำอธิบายประกอบสำหรับ 160 วิดีโอรวมถึงชุดการตรวจสอบ 60 ชุดชุดทดสอบ 100 ชุดและ 10 หมวดหมู่เหตุการณ์ในชุดทดสอบ | สรุปข้อความเดียว; ความคิดเห็นวิดีโอ | ข้อความสรุป | กระดาษ | ภาษาอังกฤษ | |
| 17 | คนใหญ่ | 2019/7/27 | ชาร์ม่า | ชุดข้อมูลประกอบด้วยบันทึกเอกสารสิทธิบัตรของสหรัฐอเมริกา 1.3 ล้านรายการและบทคัดย่อบทคัดย่อที่เป็นลายลักษณ์อักษรจากมนุษย์ซึ่งมีโครงสร้างวาทกรรมที่สมบูรณ์ยิ่งขึ้นและหน่วยงานที่ใช้กันทั่วไป | สรุปข้อความเดียว; สิทธิบัตร; เขียนไว้ | ข้อความสรุป | กระดาษ | ภาษาอังกฤษ | |
| 18 | [NYT] (https://catalog.ldc.upenn.edu/ldc2008t19) | 2008/10/17 | Evan Sandhaus | ชื่อเต็มคือ New York Times ชุดข้อมูลมีบทความเชิงพาณิชย์ 150 บทความจาก New York Times และรวบรวมบทความทั้งหมดบนเว็บไซต์ New York Times ตั้งแต่เดือนพฤศจิกายน 2552 ถึงมกราคม 2010 | สรุปข้อความเดียว; บทความธุรกิจ | ข้อความสรุป | - | ภาษาอังกฤษ | |
| 19 | คลังข้อมูล Aquaint ของข้อความข่าวภาษาอังกฤษ | 2002/9/26 | David Graff | ชุดข้อมูลประกอบด้วยข้อมูลข้อความข่าวภาษาอังกฤษจากสำนักข่าว Xinhua (สาธารณรัฐประชาชนจีน), New York Times News Service และ Associated Press News Service และมีประมาณ 375 ล้านคำ ค่าชุดข้อมูล | สรุปข้อความเดียว; ข่าว | ข้อความสรุป | - | จีนและอังกฤษ | |
| 20 | ชุดข้อมูลรายงานทางกฎหมายชุดข้อมูล | 2012/10/19 | Filippo Galgani | ชุดข้อมูลมาจากคดีกฎหมายของออสเตรเลียของศาลรัฐบาลกลางแห่งออสเตรเลีย (FCA) ตั้งแต่ปี 2549-2552 และมีคดีกฎหมายประมาณ 4,000 คดีและสรุป | สรุปข้อความเดียว; คดีกฎหมาย | ข้อความสรุป | - | ภาษาอังกฤษ | |
| ยี่สิบเอ็ด | 17 เส้นเวลา | 2015/5/29 | GB Tran | ข้อมูลคือเนื้อหาที่สกัดจากหน้าเว็บบทความข่าวรวมถึงข่าวจากสี่ประเทศ: อียิปต์, ลิเบีย, เยเมนและซีเรีย | สรุปข้อความเดียว; ข่าว | ข้อความสรุป | กระดาษ | พูดได้หลายภาษา | |
| ยี่สิบสอง | PTS Corpus | 2018/10/9 | Fei Sun | ชื่อเต็มคือคลังข้อมูลการสรุปชื่อผลิตภัณฑ์ข้อมูลจะแสดงสรุปชื่อผลิตภัณฑ์ในแอปพลิเคชันอีคอมเมิร์ซสำหรับอุปกรณ์มือถือ | สรุปข้อความเดียว; ข้อความสั้น ๆ | ข้อความสรุป | กระดาษ | ||
| ยี่สิบสาม | ชุดข้อมูลการสรุปทางวิทยาศาสตร์ | 2019/10/26 | Santosh Gupta | ชุดข้อมูลถูกนำมาจาก Semantic Scholar Corpus และ Arxiv Title/Abstract Pair จาก Semantic Scholar Corpus กรองเอกสารทั้งหมดในสาขาชีวการแพทย์และมีข้อมูล 5.8 ล้านชิ้น ข้อมูลจาก arxiv ซึ่งมีชื่อเรื่อง/คู่นามธรรมของแต่ละกระดาษตั้งแต่ปี 1991 ถึง 5 กรกฎาคม 2019 ชุดข้อมูลประกอบด้วยข้อมูลทางการเงิน 10k, 26k ของชีววิทยา, คณิตศาสตร์ 417k, ฟิสิกส์ 1.57 ล้านและ 221k ของ CS | สรุปข้อความเดียว; กระดาษ | ข้อความสรุป | - | ภาษาอังกฤษ | |
| ยี่สิบสี่ | คลังข้อมูลการสรุปเอกสารทางวิทยาศาสตร์และคำอธิบายประกอบจากกลุ่ม NUS Wing | 2019/3/19 | Jaidka | ชุดข้อมูลรวมถึงเอกสารการวิจัยเกี่ยวกับภาษาศาสตร์การคำนวณ ACL และการประมวลผลภาษาธรรมชาติรวมถึงเอกสารที่อ้างถึงตามลำดับและบทคัดย่อสามรายการ: บทคัดย่อของผู้เขียนแบบดั้งเดิม (นามธรรม), ชุมชนนามธรรม | สรุปข้อความเดียว; กระดาษ | ข้อความสรุป | กระดาษ | ภาษาอังกฤษ |
| รหัสประจำตัว | ชื่อ | วันที่อัปเดต | ผู้ให้บริการชุดข้อมูล | ใบอนุญาต | อธิบาย | คำสำคัญ | หมวดหมู่ | ที่อยู่กระดาษ | คำพูด |
|---|---|---|---|---|---|---|---|---|---|
| 1 | WMT2017 | 2017/2/1 | EMNLP 2017 เวิร์กช็อปเกี่ยวกับการแปลเครื่อง | 数据主要来源于Europarl corpus和UN corpus两个机构， 附带2017年从News Commentary corpus 任务中重新抽取的文章。 这是由EMNLP会议提供的翻译语料， 作为很多论文效果的benchmark来检测 | Benchmark, WMT2017 | 中英翻译语料 | กระดาษ | ||
| 2 | WMT2018 | 2018/11/1 | EMNLP 2018 Workshop on Machine Translation | 数据主要来源于Europarl corpus和UN corpus两个机构， 附带2018年从News Commentary corpus 任务中重新抽取的文章。 这是由EMNLP会议提供的翻译语料， 作为很多论文效果的benchmark来检测 | Benchmark, WMT2018 | 中英翻译语料 | กระดาษ | ||
| 3 | WMT2019 | 2019/1/31 | EMNLP 2019 Workshop on Machine Translation | 数据主要来源于Europarl corpus和UN corpus两个机构, 以及附加了news-commentary corpus and the ParaCrawl corpus中来得数据 | Benchmark, WMT2019 | 中英翻译语料 | กระดาษ | ||
| 4 | UM-Corpus:A Large English-Chinese Parallel Corpus | 2014/5/26 | Department of Computer and Information Science, University of Macau, Macau | 由澳门大学发布的中英文对照的高质量翻译语料 | UM-Corpus;English; Chinese;large | 中英翻译语料 | กระดาษ | ||
| 5 | [Ai challenger translation 2017](https://pan.baidu.com/s/1E5gD5QnZvNxT3ZLtxe_boA 提取码: stjf) | 2017/8/14 | 创新工场、搜狗和今日头条联合发起的AI科技竞赛 | 规模最大的口语领域英中双语对照数据集。 提供了超过1000万的英中对照的句子对作为数据集合。 所有双语句对经过人工检查， 数据集从规模、相关度、质量上都有保障。 训练集：10,000,000 句验证集（同声传译）：934 句验证集（文本翻译）：8000 句 | AI challenger 2017 | 中英翻译语料 | |||
| 6 | MultiUN | 2010 | Department of Linguistics and Philology Uppsala University, Uppsala/Sweden | 该数据集由德国人工智能研究中心提供， 除此数据集外，该网站还提供了很多的别的语言之间的翻译对照语料供下载 | MultiUN | 中英翻译语料 | MultiUN: A Multilingual corpus from United Nation Documents, Andreas Eisele and Yu Chen, LREC 2010 | ||
| 7 | NIST 2002 Open Machine Translation (OpenMT) Evaluation | 2010/5/14 | NIST Multimodal Information Group | LDC User Agreement for Non-Members | 数据来源于Xinhua 新闻服务包含70个新闻故事， 以及来自于Zaobao新闻服务的30个新闻故事，共100个从两个新闻集中选择出来的故事的长度都再212到707个中文字符之间，Xinhua部分共有有25247个字符， Zaobao有39256个字符 | NIST | 中英翻译语料 | กระดาษ | 该系列有多年的数据， 该数据使用需要付费 |
| 8 | The Multitarget TED Talks Task (MTTT) | 2018 | Kevin Duh, JUH | 该数据集包含基于TED演讲的多种语言的平行语料，包含中英文等共计20种语言 | TED | 中英翻译语料 | The Multitarget TED Talks Task | ||
| 9 | ASPEC Chinese-Japanese | 2019 | Workshop on Asian Translation | 该数据集主要研究亚洲区域的语言，如中文和日语之间， 日语和英文之间的翻译任务翻译语料主要来自语科技论文（论文摘要；发明描述；专利等等） | Asian scientific patent Japanese | 中日翻译语料 | http://lotus.kuee.kyoto-u.ac.jp/WAT/ | ||
| 10 | casia2015 | ปี 2558 | research group in Institute of Automation , Chinese Academy of Sciences | 语料库包含从网络自动收集的大约一百万个句子对 | casia CWMT 2015 | 中英翻译语料 | |||
| 11 | casict2011 | 2011 | research group in Institute of Computing Technology , Chinese Academy of Sciences | 语料库包含2个部分，每个部分包含从网络自动收集的大约1百万（总计2百万）个句子对。 句子级别的对齐精度约为90％。 | casict CWMT 2011 | 中英翻译语料 | |||
| 12 | casict2015 | ปี 2558 | research group in Institute of Computing Technology , Chinese Academy of Sciences | 语料库包含大约200万个句子对，包括从网络（60％）， 电影字幕（20％）和英语/汉语词库（20％）收集的句子。 句子水平对齐精度高于99％。 | casict CWMT 2015 | 中英翻译语料 | |||
| 13 | datum2015 | ปี 2558 | Datum Data Co., Ltd. | 语料库包含一百万对句子，涵盖不同类型， 例如用于语言教育的教科书，双语书籍， 技术文档，双语新闻，政府白皮书， 政府文档，网络上的双语资源等。 请注意，数据中文部分的某些部分是按词段划分的。 | datum CWMT 2015 | 中英翻译语料 | |||
| 14 | datum2017 | 2017 | Datum Data Co., Ltd. | 语料库包含20个文件，涵盖不同类型，例如新闻，对话，法律文件，小说等。 每个文件有50,000个句子。 整个语料库包含一百万个句子。 前10个文件（Book1-Book10）的中文词均已分段。 | datum CWMT 2017 | 中英翻译语料 | |||
| 15 | neu2017 | 2017 | NLP lab of Northeastern University, China | 语料库包含从网络自动收集的200万个句子对，包括新闻，技术文档等。 句子级别的对齐精度约为90％。 | neu CWMT 2017 | 中英翻译语料 | |||
| 16 | 翻译语料(translation2019zh) | 2019 | 徐亮 | 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； |
| รหัสประจำตัว | ชื่อ | 更新日期 | 数据集提供者 | ใบอนุญาต | 说明 | คำสำคัญ | หมวดหมู่ | 论文地址 | คำพูด |
|---|---|---|---|---|---|---|---|---|---|
| 1 | NLPIR微博关注关系语料库100万条 | 2017/12/2 | 北京理工大学网络搜索挖掘与安全实验室张华平博士 | NLPIR微博关注关系语料库说明1.NLPIR微博关注关系语料库由北京理工大学网络搜索挖掘与安全实验室张华平博士，通过公开采集与抽取从新浪微博、腾讯微博中获得。为了推进微博计算的研究，现通过自然语言处理与信息检索共享平台(127.0.0.1/wordpress)予以公开共享其中的1000万条数据（目前已有数据接近10亿，已经剔除了大量的冗余数据）； 2.本语料库在公开过程中，已经最大限度地采用技术手段屏蔽了用户真实姓名和url，如果涉及到的用户需要全面保护个人隐私的，可以Email给张华平博士[email protected]予以删除，对给您造成的困扰表示抱歉，并希望谅解； 3.只适用于科研教学用途，不得作为商用；引用本语料库，恭请在软件或者论文等成果特定位置表明出处为：NLPIR微博语料库，出处为自然语言处理与信息检索共享平台(http://www.nlpir.org/)。 4.字段说明： person_id 人物的id guanzhu_id 所关注人的id |
| รหัสประจำตัว | ชื่อ | 更新日期 | 数据集提供者 | ใบอนุญาต | 说明 | คำสำคัญ | หมวดหมู่ | 论文地址 | คำพูด |
|---|---|---|---|---|---|---|---|---|---|
| 1 | NLPIR微博内容语料库-23万条 | 2017年12月 | 北京理工大学网络搜索挖掘与安全实验室张华平博士 | NLPIR微博内容语料库说明1.NLPIR微博内容语料库由北京理工大学网络搜索挖掘与安全实验室张华平博士，通过公开采集与抽取从新浪微博、腾讯微博中获得。为了推进微博计算的研究，现通过自然语言处理与信息检索共享平台(127.0.0.1/wordpress)予以公开共享其中的23万条数据（目前已有数据接近1000万，已经剔除了大量的冗余数据）。 2.本语料库在公开过程中，已经最大限度地采用技术手段屏蔽了用户真实姓名和url，如果涉及到的用户需要全面保护个人隐私的，可以Email给张华平博士[email protected]予以删除，对给您造成的困扰表示抱歉，并希望谅解； 3.只适用于科研教学用途，不得作为商用；引用本语料库，恭请在软件或者论文等成果特定位置表明出处为：NLPIR微博语料库，出处为自然语言处理与信息检索共享平台(http://www.nlpir.org/)。 4.字段说明： id 文章编号article 正文discuss 评论数目insertTime 正文插入时间origin 来源person_id 所属人物的id time 正文发布时间transmit 转发 | |||||
| 2 | 500万微博语料 | 2018年1月 | 北京理工大学网络搜索挖掘与安全实验室张华平博士 | 【500万微博语料】北理工搜索挖掘实验室主任@ICTCLAS张华平博士提供500万微博语料供大家使用，文件为sql文件，只能导入mysql数据库，内含建表语句，共500万数据。语料只适用于科研教学用途，不得作为商用；引用本语料库，请在软件或者论文等成果特定位置表明出处。 【看起来这份数据比上面那一份要杂糅一些，没有做过处理】 | |||||
| 3 | NLPIR新闻语料库-2400万字 | 2017年7月 | www.NLPIR.org | NLPIR新闻语料库说明1.解压缩后数据量为48MB，大约2400万字的新闻； 2.采集的新闻时间跨度为2009年10月12日至2009年12月14日。 3.文件名为新闻的时间；每个文件包括多个新闻正文内容（已经去除了新闻的垃圾信息）； 4.新闻本身内容的版权属于原作者或者新闻机构； 5.整理后的语料库版权属于www.NLPIR.org； 6.可供新闻分析、自然语言处理、搜索等应用提供测试数据场景； 如需更大规模的语料库，可以联系NLPIR.org管理员。 | |||||
| 4 | NLPIR微博关注关系语料库100万条 | 2017年12月 | 北京理工大学网络搜索挖掘与安全实验室张华平博士 | NLPIR微博关注关系语料库说明1.NLPIR微博关注关系语料库由北京理工大学网络搜索挖掘与安全实验室张华平博士，通过公开采集与抽取从新浪微博、腾讯微博中获得。为了推进微博计算的研究，现通过自然语言处理与信息检索共享平台(127.0.0.1/wordpress)予以公开共享其中的1000万条数据（目前已有数据接近10亿，已经剔除了大量的冗余数据）； 2.本语料库在公开过程中，已经最大限度地采用技术手段屏蔽了用户真实姓名和url，如果涉及到的用户需要全面保护个人隐私的，可以Email给张华平博士[email protected]予以删除，对给您造成的困扰表示抱歉，并希望谅解； 3.只适用于科研教学用途，不得作为商用；引用本语料库，恭请在软件或者论文等成果特定位置表明出处为：NLPIR微博语料库，出处为自然语言处理与信息检索共享平台(http://www.nlpir.org/)。 4.字段说明： person_id 人物的id guanzhu_id 所关注人的id | |||||
| 5 | NLPIR微博博主语料库100万条 | 2017年9月 | 北京理工大学网络搜索挖掘与安全实验室张华平博士 | NLPIR微博博主语料库说明1.NLPIR微博博主语料库由北京理工大学网络搜索挖掘与安全实验室张华平博士，通过公开采集与抽取从新浪微博、腾讯微博中获得。为了推进微博计算的研究，现通过自然语言处理与信息检索共享平台(127.0.0.1/wordpress)予以公开共享其中的100万条数据（目前已有数据接近1亿，已经剔除了大量的冗余与机器粉丝） 2.本语料库在公开过程中，已经最大限度地采用技术手段屏蔽了用户真实姓名和url，如果涉及到的用户需要全面保护个人隐私的，可以Email给张华平博士[email protected]予以删除，对给您造成的困扰表示抱歉，并希望谅解； 3.只适用于科研教学用途，不得作为商用；引用本语料库，恭请在软件或者论文等成果特定位置表明出处为：NLPIR微博语料库，出处为自然语言处理与信息检索共享平台(http://www.nlpir.org/)。 4.字段说明： id 内部id sex 性别address 家庭住址fansNum 粉丝数目summary 个人摘要wbNum 微博数量gzNum 关注数量blog 博客地址edu 教育情况work 工作情况renZh 是否认证brithday 生日； | |||||
| 6 | NLPIR短文本语料库-40万字 | 2017年8月 | 北京理工大学网络搜索挖掘与安全实验室(SMS@BIT) | NLPIR短文本语料库说明1.解压缩后数据量为48万字，大约8704篇短文本内容； 2.整理后的语料库版权属于www.NLPIR.org； 3.可供短文本自然语言处理、搜索、舆情分析等应用提供测试数据场景； | |||||
| 7 | 维基百科语料库 | - | 维基百科 | 维基百科会定期打包发布语料库 | |||||
| 8 | 古诗词数据库 | 2020年 | github主爬虫，http://shici.store | ||||||
| 9 | 保险行业语料库 | 2017年 | 该语料库包含从网站Insurance Library 收集的问题和答案。 据我们所知，这是保险领域首个开放的QA语料库： 该语料库的内容由现实世界的用户提出，高质量的答案由具有深度领域知识的专业人士提供。 所以这是一个具有真正价值的语料，而不是玩具。 在上述论文中，语料库用于答复选择任务。 另一方面，这种语料库的其他用法也是可能的。 例如，通过阅读理解答案，观察学习等自主学习，使系统能够最终拿出自己的看不见的问题的答案。 数据集分为两个部分“问答语料”和“问答对语料”。问答语料是从原始英文数据翻译过来，未经其他处理的。问答对语料是基于问答语料，又做了分词和去标去停，添加label。所以，"问答对语料"可以直接对接机器学习任务。如果对于数据格式不满意或者对分词效果不满意，可以直接对"问答语料"使用其他方法进行处理，获得可以用于训练模型的数据。 | ||||||
| 10 | 汉语拆字字典 | 1905年7月 | 本倉庫含開放詞典網用以提供字旁和部件查詢的拆字字典數據庫，有便利使用者查難打漢字等用途。目前數據庫收錄17,803不同漢字的拆法，分為繁體字（chaizi-ft.txt）和簡體字（chaizi-jt.txt）兩個版本。 拆字法有別於固有的筆順字庫。拆字著重於儘量把每個字拆成兩個以上的組成部件，而不是拆成手寫字時所使用的筆畫。 | ||||||
| 11 | 新闻预料 | ปี 2559 | 徐亮 | 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。 | |||||
| 12 | 百科类问答json版(baike2018qa) | 2018年 | 徐亮 | 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。 | |||||
| 13 | 社区问答json版(webtext2019zh) ：大规模高质量数据集 | 2019年 | 徐亮 | 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。 | |||||
| 14 | .维基百科json版(wiki2019zh) | 2019年 | 徐亮 | 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。【不同于wiki原始释放的数据集，这个处理过了】 |
| รหัสประจำตัว | ชื่อ | 更新日期 | 数据集提供者 | ใบอนุญาต | 说明 | คำสำคัญ | หมวดหมู่ | 论文地址 | คำพูด |
|---|---|---|---|---|---|---|---|---|---|
| 1 | 百度WebQA | ปี 2559 | 百度 | - | 来自于百度知道；格式为一个问题多篇意思基本一致的文章，分为人为标注以及浏览器检索 | 阅读理解、百度知道真实问题 | 中文阅读理解 | กระดาษ | |
| 2 | DuReader 1.0 | 2018/3/1 | 百度 | Apache2.0 | 本次竞赛数据集来自搜索引擎真实应用场景，其中的问题为百度搜索用户的真实问题，每个问题对应5个候选文档文本及人工整理的优质答案。 | 阅读理解、百度搜索真实问题 | 中文阅读理解 | กระดาษ | |
| 3 | SogouQA | 2018 | 搜狗 | - | CIPS-SOGOU问答比赛数据；来自于搜狗搜索引擎真实用户提交的查询请求；含有事实类与非事实类数据 | 阅读理解、搜狗搜索引擎真实问题 | 中文阅读理解 | - | |
| 4 | 中文法律阅读理解数据集CJRC | 2019/8/17 | 哈工大讯飞联合实验室（HFL） | - | 数据集包含约10,000篇文档，主要涉及民事一审判决书和刑事一审判决书。通过抽取裁判文书的事实描述内容，针对事实描述内容标注问题，最终形成约50,000个问答对 | 阅读理解、中文法律领域 | 中文阅读理解 | กระดาษ | |
| 5 | 2019“讯飞杯”中文机器阅读理解数据集（CMRC ） | 2019年10月 | 哈工大讯飞联合实验室（HFL） | CC-BY-SA-4.0 | 本次阅读理解的任务是句子级填空型阅读理解。 根据给定的一个叙事篇章以及若干个从篇章中抽取出的句子，参赛者需要建立模型将候选句子精准的填回原篇章中，使之成为完整的一篇文章。 | 句子级填空型阅读理解 | 中文阅读理解 | - | 赛事官网：https://hfl-rc.github.io/cmrc2019/ |
| 6 | 2018“讯飞杯”中文机器阅读理解数据集（CMRC ） | 2018/10/19 | 哈工大讯飞联合实验室（HFL） | CC-BY-SA-4.0 | CMRC 2018数据集包含了约20,000个在维基百科文本上人工标注的问题。同时，我们还标注了一个挑战集，其中包含了需要多句推理才能够正确解答的问题，更富有挑战性 | 阅读理解、基于篇章片段抽取 | 中文阅读理解 | กระดาษ | 赛事官网：https://hfl-rc.github.io/cmrc2018/ |
| 7 | 2017“讯飞杯”中文机器阅读理解数据集（CMRC ） | 2017/10/14 | 哈工大讯飞联合实验室（HFL） | CC-BY-SA-4.0 | 首个中文填空型阅读理解数据集PD&CFT | 填空型阅读理解 | 中文阅读理解 | กระดาษ | 赛事官网 |
| 8 | 莱斯杯：全国第二届“军事智能机器阅读”挑战赛 | 2019/9/3 | 中电莱斯信息系统有限公司 | - | 面向军事应用场景的大规模中文阅读理解数据集，围绕多文档机器阅读理解进行竞赛，涉及理解、推理等复杂技术。 | 多文档机器阅读理解 | 中文阅读理解 | - | 赛事官网 |
| 9 | ReCO | 2020 | 搜狗 | - | 来源于搜狗的浏览器用户输入；有多选和直接答案 | 阅读理解、搜狗搜索 | 中文阅读理解 | กระดาษ | - |
| 10 | DuReader-checklist | 2021/3 | 百度 | Apache-2.0 | 建立了细粒度的、多维度的评测数据集，从词汇理解、短语理解、语义角色理解、逻辑推理等多个维度检测模型的不足之处，从而推动阅读理解评测进入“精细化“时代 | 细粒度阅读理解 | 中文阅读理解 | - | 赛事官网 |
| 11 | DuReader-Robust | 2020/8 | 百度 | Apache-2.0 | 从过敏感性，过稳定性以及泛化性多个维度构建了测试阅读理解鲁棒性的数据 | 百度搜索、鲁棒性阅读理解 | 中文阅读理解 | กระดาษ | 赛事官网 |
| 12 | DuReader-YesNo | 2020/8 | 百度 | Apache-2.0 | DuReader yesno是一个以观点极性判断为目标任务的数据集，可以弥补抽取类数据集评测指标的缺陷，从而更好地评价模型对观点极性的理解能力。 | 观点型阅读理解 | 中文阅读理解 | - | 赛事官网 |
| 13 | DuReader2.0 | 2021 | 百度 | Apache-2.0 | DuReader2.0是全新的大规模中文阅读理解数据，来源于用户真实输入，真实场景 | 阅读理解 | 中文阅读理解 | กระดาษ | 赛事官网 |
| 14 | CAIL2020 | 2020 | 哈工大讯飞联合实验室（HFL） | - | 中文司法阅读理解任务，今年我们将提出升级版，不仅文书种类由民事、刑事扩展为民事、刑事、行政，问题类型也由单步预测扩展为多步推理，难度有所升级。 | 法律阅读理解 | 中文阅读理解 | - | 赛事官网 |
| 15 | CAIL2021 | 2021 | 哈工大讯飞联合实验室（HFL） | - | 中文法律阅读理解比赛引入多片段回答的问题类型，即部分问题需要抽取文章中的多个片段组合成最终答案。希望多片段问题类型的引入，能够扩大中文机器阅读理解的场景适用性。本次比赛依旧保留单片段、是否类和拒答类的问题类型。 | 法律阅读理解 | 中文阅读理解 | - | 赛事官网 |
| 16 | CoQA | 2018/9 | 斯坦福大学 | CC BY-SA 4.0、Apache等 | CoQA是面向建立对话式问答系统的大型数据集，挑战的目标是衡量机器对文本的理解能力，以及机器面向对话中出现的彼此相关的问题的回答能力的高低 | 对话问答 | 英文阅读理解 | กระดาษ | เว็บไซต์ทางการ |
| 17 | SQuAD2.0 | 2018/1/11 | 斯坦福大学 | - | 行业内公认的机器阅读理解领域的顶级水平测试；它构建了一个包含十万个问题的大规模机器阅读理解数据集，选取超过500 篇的维基百科文章。数据集中每一个阅读理解问题的答案是来自给定的阅读文章的一小段文本—— 以及，现在在SQuAD 2.0 中还要判断这个问题是否能够根据当前的阅读文本作答 | 问答、包含未知答案 | 英文阅读理解 | กระดาษ | |
| 18 | SQuAD1.0 | ปี 2559 | 斯坦福大学 | - | 斯坦福大学于2016年推出的阅读理解数据集，给定一篇文章和相应问题，需要算法给出问题的答案。此数据集所有文章选自维基百科，一共有107,785问题，以及配套的536 篇文章 | 问答、基于篇章片段抽取 | 英文阅读理解 | กระดาษ | |
| 19 | MCTest | 2013 | 微软 | - | 100,000个必应Bing问题和人工生成的答案。从那时起，相继发布了1,000,000个问题数据集，自然语言生成数据集，段落排名数据集，关键词提取数据集，爬网数据集和会话搜索。 | 问答、搜索 | 英文阅读理解 | กระดาษ | |
| 20 | CNN/Dailymail | ปี 2558 | DeepMind | Apache-2.0 | 填空型大规模英文机器理解数据集，答案是原文中的某一个词。 CNN数据集包含美国有线电视新闻网的新闻文章和相关问题。大约有90k文章和380k问题。 Dailymail数据集包含每日新闻的文章和相关问题。大约有197k文章和879k问题。 | 问答对、填空型阅读理解 | 英文阅读理解 | กระดาษ | |
| 21 | แข่ง | 2017 | 卡耐基梅隆大学 | - | 数据集为中国中学生英语阅读理解题目，给定一篇文章和5 道4 选1 的题目，包括了28000+ passages 和100,000 问题。 | 选择题形式 | 英文阅读理解 | กระดาษ | 下载需邮件申请 |
| 22 | HEAD-QA | 2019 | aghie | MIT | 一个面向复杂推理的医疗保健、多选问答数据集。提供英语、西班牙语两种形式的数据 | 医疗领域、选择题形式 | 英文阅读理解西班牙语阅读理解 | กระดาษ | |
| 23 | Consensus Attention-based Neural Networks for Chinese Reading Comprehension | 2018 | 哈工大讯飞联合实验室 | - | 中文完形填空型阅读理解 | 填空型阅读理解 | 中文阅读理解 | กระดาษ | |
| 24 | WikiQA | ปี 2558 | 微软 | - | WikiQA语料库是一个新的公开的问题和句子对集，收集并注释用于开放域问答研究 | 片段抽取阅读理解 | 英文阅读理解 | กระดาษ | |
| 25 | Children's Book Test (CBT) | ปี 2559 | - | 测试语言模型如何在儿童书籍中捕捉意义。与标准语言建模基准不同，它将预测句法功能词的任务与预测语义内容更丰富的低频词的任务区分开来 | 填空型阅读理解 | 英文阅读理解 | กระดาษ | ||
| 26 | NewsQA | 2017 | Maluuba Research | - | 一个具有挑战性的机器理解数据集，包含超过100000个人工生成的问答对，根据CNN的10000多篇新闻文章提供问题和答案，答案由相应文章的文本跨度组成。 | 片段抽取阅读理解 | 英文阅读理解 | กระดาษ | |
| 27 | Frames dataset | 2017 | 微软 | - | 介绍了一个由1369个人类对话组成的框架数据集，平均每个对话15轮。开发这个数据集是为了研究记忆在目标导向对话系统中的作用。 | 阅读理解、对话 | 英文阅读理解 | กระดาษ | |
| 28 | Quasar | 2017 | 卡内基梅隆大学 | BSD-2-Clause | 提出了两个大规模数据集。Quasar-S数据集由37000个完形填空式查询组成，这些查询是根据流行网站Stack overflow 上的软件实体标记的定义构造的。网站上的帖子和评论是回答完形填空问题的背景语料库。Quasar-T数据集包含43000个开放域琐事问题及其从各种互联网来源获得的答案。 | 片段抽取阅读理解 | 英文阅读理解 | กระดาษ | |
| 29 | MS MARCO | 2018 | 微软 | - | 微软基于搜索引擎BING 构建的大规模英文阅读理解数据集，包含10万个问题和20万篇不重复的文档。MARCO 数据集中的问题全部来自于BING 的搜索日志，根据用户在BING 中输入的真实问题模拟搜索引擎中的真实应用场景，是该领域最有应用价值的数据集之一。 | 多文档 | 英文阅读理解 | กระดาษ | |
| 30 | 中文完形填空 | ปี 2559 | 崔一鸣 | 首个中文填空型阅读理解数据集PD&CFT， 全称People Daily and Children's Fairy Tale， 数据来源于人民日报和儿童故事。 | 填空型阅读理解 | 中文完形填空 | กระดาษ | ||
| 31 | NLPCC ICCPOL2016 | 2016.12.2 | NLPCC主办方 | 基于文档中的句子人工合成14659个问题，包括14K中文篇章。 | 问答对阅读理解 | 中文阅读理解 | - |
感谢以下同学的贡献（排名不分先后）
郑少棉、李明磊、李露、叶琛、薛司悦、章锦川、李小昌、李俊毅
คุณสามารถสนับสนุนพลังของคุณได้โดยการอัปโหลดข้อมูลชุดข้อมูล หลังจากอัปโหลดชุดข้อมูลห้าชุดขึ้นไปและตรวจสอบพวกเขานักเรียนสามารถใช้เป็นผู้สนับสนุนโครงการและแสดง
Share your data set with community or make a contribution today! Just send email to chineseGLUE#163.com,
or join QQ group: 836811304
