Awesome
Chinese-NLP-Corpus
Collections of Chinese NLP corpus
Open Domain
Corpus for open domain, including: law, social media, comments
Word Segmentation and Part-of-Speech
| Name | Description | Link |
|---|---|---|
| ZhuXian(诛仙) | 小说《诛仙》的POS和分词标注数据 | zhuxian |
| CNLC | 国家语言委员会的数据，train: dev: test=8: 1: 1 | CNLC |
* the url in the table is out-of-date, you can find the data from the following reference.
Reference:https://github.com/hankcs/multi-criteria-cws/tree/master/data
the details of the corpus
Named Entity Recognition (NER)
| Name | Description | Link |
|---|---|---|
| MSRA | 中文NER任务最常用数据之一 | MSRA |
| People's Daily | 中文NER任务最常用数据之二 | People's Daily |
| Weibo Data | 中文NER任务最常用数据之三 |
Text Classification
| Name | Description | Link | notes |
|---|---|---|---|
| CAIL2018 | 2018中国‘法研杯’法律智能挑战赛（任务：罪名预测、法条推荐、刑期预测）的数据，数据集共包括268万刑法法律文书，共涉及183条罪名，202条法条，刑期长短包括0-25年、无期、死刑。 | CAIL2018 | 比赛官网, github |
| CSL - Classification | 中文科学文献数据集(CSL)中，选取自然科学相关学报的论文摘要根据国家自然科学基金进行学科分类。 | CSL - Classification |
Sentiment Analysis and Rating
| Name | Description | Link | notes |
|---|---|---|---|
| ChnSentiCorp_htl_all | 7000多条酒店评论数据，5000多条正面评论，2000多条负面评论 | ChnSentiCorp_htl_all | |
| waimai_10k | 某外卖平台收集的用户评价，正面4000条，负面约8000条 | waimai_10k | |
| online_shopping_10_cats | 10个类别（书籍、平板、手机、水果、洗发水、热水器、蒙牛、衣服、计算机、酒店），共6万多条评论数据，正、负面评论各约3万条 | online_shopping_10_cats | |
| weibo_senti_100k | 10万多条，带情感标注的新浪微博，正负面评论约各5万条 | weibo_senti_100k | 参考页面，这个数据集里包含大量emoji，效果可能与emoji相关，训练之前最好去除emoji |
| simplifyweibo_4_moods | 36万多条，带情感标注的新浪微博，包含4种情感，其中喜悦约20万条，愤怒、厌恶、低落各约5万条 | simplifyweibo_4_moods | |
| dmsc_v2 | 28部电影，超70万用户，超 200万条评分/评论数据 | dmsc_v2 | |
| yf_dianping | 24万家餐馆，54万用户，440万条评论/评分数据 | yf_dianping | |
| yf_amazon | 52万件商品，1100多个类目，142万用户，720万条评论/评分数据 | yf_amazon | |
| ez_douban | 5万多部电影（3万多有电影名称，2万多没有电影名称），2.8万用户，280万条评分数据 | ez_douban |
Other Github Repo
| Description | Link | notes |
|---|---|---|
| Chinese NLP Corpus | https://github.com/SophonPlus/ChineseNlpCorpus | |
| awesome-chinese-nlp/Corpus 中文语料 | https://github.com/crownpku/Awesome-Chinese-NLP#corpus-中文语料 | |
| Large Scale Chinese Corpus for NLP | https://github.com/brightmart/nlp_chinese_corpus | |
| 中文自然语言处理数据集 | https://github.com/InsaneLife/ChineseNLPCorpus | |
| funNLP | https://github.com/fighting41love/funNLP |
Medical Domain
Collect corpus for Chinese medical domain, including medical terminology, QA, clinical NER
Bechmark
| Name | Description | Link | notes |
|---|---|---|---|
| ChineseBLUE | the Chinese Biomedical Language Understanding Evaluation benchmark by alibaba | ChineseBLUE | Conceptualized Representation Learning for Chinese Biomedical Text Mining |
Word Segmentation
| Name | Description | Link | notes |
|---|---|---|---|
| AMTTL | 医学语言的分词数据集，来源应该是医学论坛，所以数据还是偏向open，与医学文本中的语言描述有差异。 | AMTTL | Adaptive Multi-Task Transfer Learning for Chinese Word Segmentation in Medical Text |
Clinical NER
| Name | Description | Link | notes |
|---|---|---|---|
| CNMER | 中文医学实体识别数据集，实体包括身体部位、症状体征、检查、疾病以及治疗。 | CNMER | 应该是CCKS2017的数据。 |
| CNMER | 识别疾病和诊断、解剖部位、影像检查、实验室检验、手术和药物6种命名实体 | CCKS2018数据 | |
| CNMER | 识别中文医学命名实体 | CCKS2019数据 | 来自OpenKG的分享 |
Question Answer (QA)
| Name | Description | Link | notes |
|---|---|---|---|
| cMedQA | 医学在线论坛的数据，包含5.4万个问题，及对应的约10万个回答。 | cMedQA | Chinese Medical Question Answer Matching Using End-to-End Character-Level Multi-Scale CNNs |
| cMedQA2 | cMedQA的扩展版，包含约10万个医学相关问题，及对应的约20万个回答。 | cMedQA2 | Multi-Scale Attentive Interaction Networks for Chinese Medical Question Answer Selection |
| webMedQA | 又一个医学在线问答数据集，包含6万个问题和31万个回答，而且包含问题的类别。 | webMedQA | Applying deep matching networks to Chinese medical question answering: A study and a dataset |
Others
| Name | Description | Link | notes |
|---|---|---|---|
| medical-books | Open sourece medical books in LaTeX | medical-books | |
| awesome_Chinese_medical_NLP | 中文医学NLP公开资源整理 | awesome_Chinese_medical_NLP | |
| Chinese_medical_NLP | 医疗NLP领域（主要关注中文）评测数据集与论文等相关资源。 | Chinese_medical_NLP |