无论是从事算法研究还是语料标注的工程师，需要有最基础的认知：一款可以为自己提效的工具。赛莉开放标注平台可以自动标注、自动查错、短语搜索等功能，基本可以事半功倍。语料是精标数据，符合国标，XML格式含有丰富的标注信息，可以i通过工具转换成其他形式的标注序列。

TIMIT Acoustic Phonetic Continuous Speech Corpus 是一个英语语音识别数据，包括 630人8个不同地区的美国方言录制的音频信息。

聊天机器人 一个可以使用自己的语言料进行训练的中文聊天机器人，目前包含seq2seq tf1.x和tf.2x版本，seqGan版本为tf1.x版本，pytorch版本，欢迎大家实践交流。 关于语料的说明 大家可以使用小黄鸡的预料，地址 seq2seq版本代码执行顺序 1，在下载好代码和语料之后，将语料文件放入数据目录下。 2，准备数据预处理器（data_utls.py）-> execute.py（执行器）-> app.py（可视化对话模块）的顺序执行就可以了。 3，超参配置在seq2seq.ini和seq2seq_sever.ini文件中配置。 seqGAN版本代码执行顺序 1，在下载好代

这是用于分类，聚类的英文文本语料20_newsgroups

拒绝csdn会员白嫖。csdn会员无法贡献积分！！！ 实体关系识别和自然语言处理中的ace 2005 语料，非常珍贵. ACE 2005多语种培训语料库包含完整的英语、阿拉伯语和汉语训练数据，用于2005年自动内容 zip格式保证解压。

哈工大停用词表 川大智能实验室停用词表 中文停用词词表

文本分类语料，共9833篇文档；train为训练语料，test为测试语料，共9804篇文档，分为20个类别。训练语料和测试语料基本按照1:1的比例来划分；

WikiExtractor.py 中文维基语料训练获取工具之一

文本分类 @作者：明亮的安静@Email：sina dot com的brighthush 英文自述文件 项目介绍 这是一个用于中文文本分类的python项目。 我完成了这个项目作为自然语言理解课程的家庭作业。 在这个实验中，我使用了搜狗-文本-分类开放语料库。 我使用 TF/IDF 和信息增益作为特征提取算法。 由于我很懒，所以只实现了两个简单的分类算法，它们是 K-Nearest-Neighbour 和朴素贝叶斯分类。 在提取文本特征时，我们总是需要将句子分割成单词。 我用jieba做分词。 你也可以从获取这个模块。 代码中的命名约定 modeule_name, package_name, method_name, function_name, instance_var_name, function_parameter_name, local_var_name globa_var_n

2014年的人民日报数据，总共有28万行，可直接做词性标注训练使用，处理后也可以做实体识别模型训练用。