乾明 发自 凹非寺
量子位 报道 | 公众号 QbitAI
中文信息很多，但要找到合适的中文语料很难。
有人看不下去了，在GitHub上开了一个项目，专门贡献中文语料资源。
他说，要为解决中文语料难找贡献一份力量。
什么样的资源？
目前，这个项目中一共有3种json版资源：
包含104万个词条的维基百科资源，包含250万篇新闻的新闻语料，以及包含150万个问答的百科类问答资源。
一般来说，这些资源可以作为通用的中文语料，用于预训练或者构建词向量等等。
不同的资源，用处也有不同，比如维基百科和问答百科，可以用来构建知识问答等等。
新闻语料资源，囊括了标题、关键词、描述和正文，也可以用来训练标题生成模型、关键词生成模型等等。
此外，在对数据集划分过的新闻语料和百科类问答资源中，只提供训练集和验证集，不提供测试集数据的下载。
是因为——
希望更多人参与
资源的贡献者表示，希望大家报告模型在验证集上的准确率，并提供模型信息、方法描述、运行方式，以及可运行的源代码（可选）。
这些信息都有的话，资源贡献者会在测试集上测试模型，并给出准确率。
他表示，项目中的语料库将会不断扩充，号召大家多多贡献资源，并给出了相应的目标：
到2019年5月1日，放出10个百万级中文语料&3个千万级中文语料。
到2019年12月31日，放出30个百万级中文语料 & 10个千万级中文语料 & 1个亿级中文语料。
从目前已经有的资源来看，一个语料可以是一个问答，也可以是一个词条等等。
这份资源的贡献者，名为徐亮，杭州实在智能的算法专家，主要关注文本分类、意图识别、问答和面向任务的对话。
如果你有兴趣，请收好资源传送门：
https://github.com/brightmart/nlp_chinese_corpus
此外，量子位之前也介绍过几份中文NLP资源，也一并附于此：
—完—
量子位 · QbitAI
վ’ᴗ’ ի 追踪AI技术和产品新动态
戳右上角「+关注」获取最新资讯↗↗
如果喜欢，请分享or点赞吧~比心❤
