自然语言处理数据集集锦(持续更新ing...)
诸神缄默不语-个人CSDN博文目录
最近更新时间:2023.6.27
最早更新时间:2023.4.25
文本摘要主题的数据集见我之前写的另一篇博文:文本摘要数据集的整理、总结及介绍(持续更新ing…)
序列标注/信息抽取主题的数据集见我之前写的另一篇博文:序列标注/信息抽取任务(持续更新ing…)
智能司法主题的数据集见我写的另一篇博文:LegalAI公开数据集的整理、总结及介绍(持续更新ing…)
推理(包括数值和常识推理)的数据集见我写的另一篇博文:推理数据集(持续更新ing…)
(由于多种数据集之间存在耦合,所以主要是专项数据放在专项博文里。但是这也不一定毕竟很多数据集集合也是混分类的,而且分类之间的界限并不清晰)
其他NLP数据集见下:
文章目录
- 1. 语料库
- 1.1 中文
- 1.2 英文
- 2. NLG
- 2.1 复述
- 2.2 代码生成
- 2.3 QA
- 1. 英文
- 2. 中文
- 3. 对话系统
- 3.1 open-domain
- 3.1.1 中文
- 4. 多模态
- 4.1 图文匹配
- 5. 自然语言推理NLI
- 5.1 集锦
- 5.2 英文
- 6. 其他集成性项目 / benchmark
- 6.1 中文
- 6.2 中文多模态
- 6.3 英文
- 6.4 多语言
- 7. 文本分类
- 7.1 多语言
- 还没整理完,先罗列在这里
1. 语料库
1.1 中文
- CLUEbenchmark/CLUECorpus2020: Large-scale Pre-training Corpus for Chinese 100G 中文预训练语料
- FudanNLPLAB/CBook-150K: 中文图书语料MD5链接
- Index of /zhwiki/latest/
- PCL-Platform.Intelligence/Chinese_WPLC: 中文长上下文词语预测(Chinese WPLC)数据集 - Chinese_WPLC - OpenI - 启智AI开源社区提供普惠算力!
- 诗歌和音韵:THUNLP-AIPoet/Datasets: Poetry-related datasets developed by THUAIPoet (Jiuge) group.
- WuDaoCorpora Text文本预训练数据集
1.2 英文
- HappyDB | Kaggle:这个数据是集成了各种生活中快乐时光(比如
I was happy when my son got 90% marks in his examination
)
2. NLG
2.1 复述
- ParaNMT-50M: Pushing the Limits of Paraphrastic Sentence Embeddings with Millions of Machine Translations
- Para-nmt-50m https://drive.google.com/file/d/1rbF3daJjCsa1-fu2GANeJd2FBXos1ugD/view?usp=sharing
- Para-nmt-5m-processed https://drive.google.com/file/d/19NQ87gEFYu3zOIp_VNYQZgmnwRuSIyJd/view?usp=sharing
2.2 代码生成
- HumanEval Dataset | Papers With Code
2.3 QA
1. 英文
- QQP First Quora Dataset Release: Question Pairs - Data @ Quora - Quora
2. 中文
- (繁中)DRCD
官方GitHub项目:DRCKnowledgeTeam/DRCD: A 30000+ Chinese MRC dataset - Delta Reading Comprehension Dataset
3. 对话系统
3.1 open-domain
3.1.1 中文
- https://huggingface.co/datasets/fnlp/moss-002-sft-data
- https://github.com/OpenLMLab/MOSS/tree/main/SFT_data/conversations/conversation_with_plugins
- https://github.com/OpenLMLab/MOSS/tree/main/SFT_data/conversations/conversation_without_plugins
- thu-coai/CDial-GPT: A Large-scale Chinese Short-Text Conversation Dataset and Chinese pre-training dialog models
- 中文对话指令集:OpenLabel-Chinese Conversations Dataset (OL-CC)
4. 多模态
4.1 图文匹配
- Flickr 30k From image descriptions to visual denotations: New similarity metrics for semantic inference over event descriptions
5. 自然语言推理NLI
5.1 集锦
- 赛尔笔记 | 自然语言推理数据集简述 - 知乎
- GLUE部分基准数据集介绍:RTE、MRPC、SST-2、QNLI、MNLI、QQP_真·skysys的博客-CSDN博客
5.2 英文
- SNLI https://nlp.stanford.edu/projects/snli/
6. 其他集成性项目 / benchmark
6.1 中文
- CLUEbenchmark/CLUE: 中文语言理解测评基准 Chinese Language Understanding Evaluation Benchmark: datasets, baselines, pre-trained models, corpus and leaderboard
- 中文医疗信息处理评测基准CBLUE
- 千言(LUGE)| 全面的中文开源数据集合
- funNLP
- brightmart/nlp_chinese_corpus: 大规模中文自然语言处理语料 Large Scale Chinese Corpus for NLP
- SophonPlus/ChineseNlpCorpus: 搜集、整理、发布 中文 自然语言处理 语料/数据集,与 有志之士 共同 促进 中文 自然语言处理 的 发展。
6.2 中文多模态
- MUGE(Multimodal Understanding and Generation Evaluation)
6.3 英文
- SemEval
- BIG-bench
- 官方GitHub项目:google/BIG-bench: Beyond the Imitation Game collaborative benchmark for measuring and extrapolating the capabilities of language models
- 论文:Beyond the Imitation Game: Quantifying and extrapolating the capabilities of language models
- Multi-task Language Understanding on MMLU
6.4 多语言
- GlobalBench: A Benchmark for Global Progress in Natural Language Processing
7. 文本分类
7.1 多语言
- Taxi1500 Taxi1500: A Multilingual Dataset for Text Classification in 1500 Languages
还没整理完,先罗列在这里
- 收藏丨20个中文语料数据集,含数学考试、公务员考题、医患对话等_中文qa数据集_OpenDataLab的博客-CSDN博客
自然语言处理数据集集锦(持续更新ing...)相关推荐
- UI控件问题和XCode编译警告和错误解决方法集锦 (持续更新ing)
UI控件问题集锦 第一 图片无法在UIImageview上显示: 原因如下: 1.没有设置宽高(或者宽高为0) 2.位置不对 3.hidden=YES 4.没有添加到控制器的view上面 第二 一个U ...
- 常用数据集整理(持续更新ing)
常用数据集整理(持续更新ing) 在做实验过程中经常用到的数据集整理一下,按照学习过程中遇到的数据集的先后顺序进行整理,希望能对科研有所帮助.本博文将随着学习过程持续性更新,有其他常用数据集的 ...
- 资源搜索引擎集合1(持续更新ing...)
诸神缄默不语-个人CSDN博文目录 不是所有网址我都用过.如有失效请联系我. 最近更新时间:2023.7.25 最早更新时间:2023.7.25 文章目录 1. 影视资源 2. 电子书 3. 文献 4 ...
- 重拾CCNA,学习笔记持续更新ing......(4)
重拾CCNA,学习笔记持续更新ing......(4) 路由器作用功能的经典解说(笑)(非原创) 假设你的名字叫小不点,你住在一个大院子里,你的邻居有很多小伙伴,在门口传达室还有个看大门的李大爷,李大 ...
- js中text方法是啥意识_一盏茶的时间,快速捕获JS中常用的方法(细心整理,持续更新ing)...
不知不觉上班一周辽-趁着大好周末,小编挣扎着从床上爬起来,决定对前端日常编程中常用到的一些方法做一个系统的整合. 有些人或许会觉得忘了百度就完事儿,no no no!这事儿小编真的亲践过好多次,百度一 ...
- 程序员的职业选择,你应该知道的,持续更新ing
程序员的职业选择,你应该知道的,持续更新ing 一下内容只是个人认知的表达,仅供参考,互相交流,不喜勿喷 程序员的职业选择,你应该知道的,持续更新ing 我认识很多猎头,有些曾经是经验丰富的HR,以下 ...
- PyCharm使用期间出现报错集合 持续更新ing
PyCharm使用期间出现报错集合 持续更新ing 啥时候用PyCharm发现了奇奇怪怪的错误就整理上来 这几天帮同学安装torch的时候出现了一些奇奇怪怪的问题 1.torch始终安装失败 描述一下 ...
- 开源小程序CMS网站,JeeWx-App-CMS 持续更新ing~
JeeWx-App-CMS开源小程序CMS网站,持续更新ing~ JeeWx-App-CMS 是jeewx开发的小程序网站开源项目,基于小程序wepy语言,具备cms网站的基本功能,能够打造简单易用 ...
- 2023届秋招提前批信息汇总(持续更新ing)
实时更新的文档:2023届秋招提前批信息汇总(持续更新ing) (qq.com) 公司 投递链接 面试网站 工作地点 截止时间 互联网及私企(软件) 网易游戏 网易游戏(互娱)校园招聘官网 https ...
最新文章
- 福大计算机国二,福大学子喜获中国大学生计算机设计大赛二三等奖
- 消息队列怎么保证消息有没有重复消费(幂等性)?
- java使用正则表达为数字添加千位符的简单方法
- MMCME2_ADV介绍 高级混合模式时钟管理器(7 Series FPGA)
- 每天一个linux命令(28):tar命令
- Yuan先生的博客网址
- 四种Sandcastle方法生成c#.net帮助类帮助文档
- ❤️六W字《计算机基础知识》(三)(建议收藏)❤️
- 耳机降噪技术-ANC、ENC、DSP、CVC
- 百度秋招笔试题 原生js按键九宫格
- 设计多层PCB板需要注意哪些事项?
- Duplicate的一点总结
- 记一次搜狐畅游后台开发笔试
- AUTOSAR架构软件结构简介
- android 备份管理器,最佳Android备份提取器和备份解决方案
- 深圳南山区的篮球场大全
- 导致堆栈溢出的原因什么?
- 蒲公英企服平台对话奈学教育CEO孙玄——旨在让每一个人都有逆袭的机会。
- IPv6 link-local和site-local address
- 2012年02月12日