由复旦大学李荣陆提供。收集工作花费了不少人力和物力，所以请大家在使用时尽量注明来源（复旦大学计算机信息与技术系国际数据库中心自然语言处理小组）。train.zip为训练语料，共9804篇文档，分为20个类别。answer.zip为训练语料，共9833篇文档，同为20个类别。训练语料与测试语料基本按照1:1的比例来划分
2019-12-21 20:08:37
52.56MB
1
北京大学语料库（1 833 177 字）包含训练和测试集，文本格式的数据，包含utf8和GBK两种格式
2019-12-21 19:53:14
3.55MB
1
微软亚洲研究院语料库（1 089 050 字，训练集和测试集），有UTF8和GBK两种格式
2019-12-21 19:53:14
7.29MB
1
CTB6汉语分词语料库，可以拿来做分词任务。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
2019-12-21 19:47:41
6.3MB
1
美国当代英语语料库COCA词频20000 高频2W （完整）
格式：pdf, word文档, txt, excel文档
2019-12-21 19:42:11
15.76MB
1
已做预处理：分词、剔除停用词
可直接拿来统计建立文本模型
2019-12-21 19:39:47
6.88MB
1
Chinese Treebank 8.0 LDC中文句树库（LDC2013T21），已标注句子的各个词语词性、句中成分、语义信息，可用于自然语言处理的句法分析或词性标注等任务。
2019-12-21 19:38:37
23.39MB
1