你说“神马”？非正式汉语数据集资源上线，帮你训练网络语言处理

晓查 发自 凹非寺
量子位 出品 | 公众号 QbitAI

NLP是个好东西，但是汉语文化实在是博大精深，连长辈都看不懂网络词语，想让机器理解它们就更难了。

如果我们还用“正经”训练数据集，那就明显不够用了。

为了解决这个问题，有人从有人收集了3700万条图书评论和5万条bbs回帖，作为大型非正式汉语数据集（LSICC）。

内容来源分别是“豆瓣读书”和Chiphell论坛。

下面请从数据集中感受一下网络论坛文化的洗礼：

作者从Chiphell中选取了几个主题的回帖，其中有大量的网络用语，甚至还有中英文混用。

“辣鸡”当然不是辣味的鸡，“木有”也不是说木头。如果用正经训练集得到的模型去识别它们，结果恐怕会惨不忍睹。

据统计，这个数据集中非正式用语的比例远远高于一般其他数据集，在7.5亿词语中，非正式用语出现了62万次。比例远高于人民日报这样的官方媒体。

结果表明，现实世界自然语言模型处理和现有语料库的语言之间差距明显。

如果使用从正式汉语语料库中提取的向量表示作为单词嵌入，可能导致不良的表现。

所以，如果你需要训练模型去识别网络语言，那一定要尝试一下这个数据集。

这些抓取内容也并非直接可用，好在作者进行了一些预处理，删除了其中较短的句子，另外也对文中的英文单词做了识别。

资源地址：

豆瓣读书评论：
https://github.com/JaniceZhao/Douban-Dushu-Dataset.git

Chiphell回帖：
https://github.com/JaniceZhao/Chinese-Forum-Corpus.git

作者将豆瓣读书评论的内容整理成csv表格，Chiphell回帖则整理成json文件格式。