资源警告！有人收罗了40个中文NLP词库，放到了GitHub上

转自量子位 

乾明 编辑整理
量子位 出品 | 公众号 QbitAI

你还在为进行中文NLP找不到词库而发愁吗？

你还在为了从文本中抽取结构化信息而抓耳挠腮吗？

现在，这些症状可以得到缓解了。

最近，在GitHub上，有人收罗了一份资源，汇集了40个关于中文NLP词库，涵盖了各个方面。

中英文敏感词、语言检测、中外手机/电话归属地/运营商查询、名字推断性别、手机号抽取、身份证抽取、邮箱抽取、中日文人名库、中文缩写库、拆字词典。

词汇情感值、停用词、反动词表、暴恐词表、繁简体转换、英文模拟中文发音、汪峰歌词生成器、职业名称词库、同义词库、反义词库。

否定词库、汽车品牌词库、汽车零件词库、连续英文切割、各种中文词向量、公司名字大全、古诗词库、IT词库、财经词库、成语词库。

地名词库、历史名人词库、诗词词库、医学词库、饮食词库、法律词库、汽车词库、动物词库、中文聊天语料、中文谣言数据。

目前，这份资源在GitHub上已经超过了700星。

收罗这份资源的人，在GitHub上昵称为“Yang”，备注信息中显示，他是北航的博士。在知乎上也开设了一个专栏，专门介绍关于机器学习的小知识。

在Yang给出的这份资源中，他并不只是简简单单地提供一些词库了事，还给出了32个词库的用法。

比如，中英文敏感词过滤：

 >>> f = DFAFilter()
 >>> f.add("sexy")
 >>> f.filter("hello sexy baby")
 hello **** baby

有时，还会针对一些词库给出提示，针对这个词库他就提示道：

敏感词包括政治、脏话等话题词汇。其原理主要是基于词典的查找（项目中的keyword文件），内容很劲爆。。。

再来一个根据名字判断性别的例子：

pip install ngender # 基于朴素贝叶斯计算的概率

>>> import ngender
>>> ngender.guess('赵本山')
('male', 0.9836229687547046)
>>> ngender.guess('宋丹丹')
('female', 0.9759486128949907)

此处省略了其他30个……如果有兴趣，可以去看看，收藏下来，以备不时之需。

传送门：
https://github.com/fighting41love/funNLP

作者知乎专栏地址：
https://zhuanlan.zhihu.com/yangyangfuture

— 完 —

年度评选申请

加入社群

量子位AI社群开始招募啦，欢迎对AI感兴趣的同学，在量子位公众号（QbitAI）对话界面回复关键字“交流群”，获取入群方式；

此外，量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募，面向正在从事相关领域的工程师及研究人员。

进专业群请在量子位公众号（QbitAI）对话界面回复关键字“专业群”，获取入群方式。（专业群审核较严，敬请谅解）

活动策划招聘

量子位正在招聘活动策划，将负责不同领域维度的线上线下相关活动策划、执行。欢迎聪明靠谱的小伙伴加入，并希望你能有一些活动策划或运营的相关经验。相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态