这是一个各类中文NLP数据集的集合,旨在把各种不同用途的中文语料收集起来,方便自己以及亲们使用^_^。

比赛链接:https://dc.cloud.alipay.com/index#/topic/ranking?id=8
数据集类型:语义相似度
保存目录:ATEC

比赛链接:https://biendata.com/competition/CCKS2018_3/leaderboard/
数据集类型:语义相似度
保存目录:CCKS_2018_3

由于ATEC比赛和CCKS 2018比赛提供的语料都是互金客服场景下的语料,所以把两个数据集的语料合并到了一起,基于分层抽样划分了出了训练集、验证集和测试集,其中:

• 训练集、验证集和测试集的正类比例均为34%左右
• 训练集:约24W样本
• 验证集:1W样本
• 测试集:1W样本

数据集类型:语义相似度
保存目录:ATEC_CCKS

数据集地址:http://icrc.hitsz.edu.cn/info/1037/1162.htm
数据集类型:语义相似度
保存目录:BQ_corpus

数据集地址:http://icrc.hitsz.edu.cn/Article/show/171.html
数据集类型:语义相似度
保存目录:LCQMC