共约250w条简体中文语料

自定义中文语料，约2千万条数据，用于训练kenlm模型，使用地址：https://github.com/yeyupiaoling/PPASR/blob/develop/docs/beam_search.md#%E8%AE%AD%E7%BB%83%E8%87%AA%E5%B7%B1%E7%9A%84%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B

专业的标注工具（名实体识别 模板元素识别） 很实用 很权威

PTT 中文语料 嗨，这里是PTT中文语料集，我透过将每篇文章化简为问答配对，其中问题来自文章的标题，而回覆是该篇文章的推文。可惜的是目前这份资料集的噪声还有点大，若您有更好的方法能提取出文章的问答配对，或发现这份资料集有什么能改进的部份，还请与我联系，也祝各位开发顺利:> 资料说明 资料集一共有两份，您可于或是从本专案的data资料夹里取得。 Gossiping-QA-Dataset.txt 搜集了PTT八卦版于2015年至2017年6月的文章，每一行都是一个问答配对，问与答之间以一个tab ( \t )区隔开，比如说 matlab有什麼炫砲一點的圖？ 一樣的圖改一改顏色，有點半透明感覺更唬爛炫 有沒有情人節吃什麼cp值最高的八卦 吃屎啊廢話 免費的一餐 姆咪一個人守得住街亭嗎? 引來一堆肥宅穢土轉生 有機會喔 有沒有被落石砸到該反省的八卦 蔡英文執政就故意誇大報導 東森不意外 情人節

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。

An implement of the paper of EDA for Chinese corpus.中文语料的EDA数据增强工具。NLP数据增强。论文阅读笔记。

BOTSALLY® 赛莉®中文语料自动标注 更新了几个新的功能模块，包含数据转换，事件标注等。标准事件8大类35小类，严格按照ACE2005的标准定义设计。更多语料请关注 赛莉中文语料自动标注平台。

数据部分3

使用nltk处理中文语料（1）- 统计相关-附件资源

word2vec介绍 word2vec官网：https://code.google.com/p/word2vec/ word2vec是google的一个开源工具，能够根据输入的词的集合计算出词与词之间的距离。 它将term转换成向量形式，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。 word2vec计算的是余弦值，距离范围为0-1之间，值越大代表两个词关联度越高。 词向量：用Distributed Representation表示词，通常也被称为“Word Representation”或“Word Embedding