中文自然语言处理相关资料集合指南- 专知

会员服务 ·

中文自然语言处理相关资料集合指南

专知出品

【导读】crownpku维护了一个关于中文自然语言处理相关资料索引网站，包含中文NLP工具、中文语料、中文NLP学术组织、中文NLP商业服务等。

地址：

https://github.com/crownpku/Awesome-Chinese-NLP

列表

1. Chinese NLP Toolkits 中文NLP工具

Toolkits 综合NLP工具包
Popular NLP Toolkits for English/Multi-Language 常用的英文或支持多语言的NLP工具包
Chinese Word Segment 中文分词
Information Extraction 信息提取
QA & Chatbot 问答和聊天机器人

2. Corpus 中文语料

3. Organizations 中文NLP学术组织及竞赛

4. Industry 中文NLP商业服务

5. Learning Materials 学习资料

Chinese NLP Toolkits 中文NLP工具

Toolkits 综合NLP工具包

THULAC 中文词法分析工具包 by 清华 (C++/Java/Python)
NLPIR by 中科院 (Java)
LTP 语言技术平台 by 哈工大 (C++) pylyp LTP的python封装
FudanNLP by 复旦 (Java)
BaiduLac by 百度 Baidu's open-source lexical analysis tool for Chinese, including word segmentation, part-of-speech tagging & named entity recognition.
HanLP (Java)
SnowNLP (Python) Python library for processing Chinese text
YaYaNLP (Python) 纯python编写的中文自然语言处理包，取名于“牙牙学语”
小明NLP (Python) 轻量级中文自然语言处理工具
DeepNLP (Python) Deep Learning NLP Pipeline implemented on Tensorflow with pretrained Chinese models.
chinese_nlp (C++ & Python) Chinese Natural Language Processing tools and examples
Chinese-Annotator (Python) Annotator for Chinese Text Corpus 中文文本标注工具
Poplar (Typescript) A web-based annotation tool for natural language processing (NLP)

Popular NLP Toolkits for English/Multi-Language 常用的英文或支持多语言的NLP工具包

CoreNLP by Stanford (Java) A Java suite of core NLP tools.
NLTK (Python) Natural Language Toolkit
spaCy (Python) Industrial-Strength Natural Language Processing
textacy (Python) NLP, before and after spaCy
OpenNLP (Java) A machine learning based toolkit for the processing of natural language text.
gensim (Python) Gensim is a Python library for topic modelling, document indexing and similarity retrieval with large corpora.
Kashgari - Simple and powerful NLP framework, build your state-of-art model in 5 minutes for named entity recognition (NER), part-of-speech tagging (PoS) and text classification tasks. Includes BERT and word2vec embedding.

Chinese Word Segment 中文分词

Jieba 结巴中文分词 (Python及大量其它编程语言衍生) 做最好的 Python 中文分词组件
北大中文分词工具 (Python) 高准确度中文分词工具，简单易用，跟现有开源工具相比大幅提高了分词的准确率。
kcws 深度学习中文分词 (Python) BiLSTM+CRF与IDCNN+CRF
ID-CNN-CWS (Python) Iterated Dilated Convolutions for Chinese Word Segmentation
Genius 中文分词 (Python) Genius是一个开源的python中文分词组件，采用 CRF(Conditional Random Field)条件随机场算法。
loso 中文分词 (Python)
yaha "哑哈"中文分词 (Python)
ChineseWordSegmentation (Python) Chinese word segmentation algorithm without corpus（无需语料库的中文分词）
Go语言高性能分词 (Go) Go efficient text segmentation; support english, chinese, japanese and other.

Information Extraction 信息提取

MITIE (C++) library and tools for information extraction
Duckling (Haskell) Language, engine, and tooling for expressing, testing, and evaluating composable language rules on input strings.
IEPY (Python) IEPY is an open source tool for Information Extraction focused on Relation Extraction.
Snorkel A training data creation and management system focused on information extraction
Neural Relation Extraction implemented with LSTM in TensorFlow
A neural network model for Chinese named entity recognition
Information-Extraction-Chinese Chinese Named Entity Recognition with IDCNN/biLSTM+CRF, and Relation Extraction with biGRU+2ATT 中文实体识别与关系提取
Familia 百度出品的 A Toolkit for Industrial Topic Modeling
Text Classification All kinds of text classificaiton models and more with deep learning. 用知乎问答语聊作为测试数据。

QA & Chatbot 问答和聊天机器人

Rasa NLU (Python) turn natural language into structured data, a Chinese fork at Rasa NLU Chi
Rasa Core (Python) machine learning based dialogue engine for conversational software
Snips NLU (Python) Snips NLU is a Python library that allows to parse sentences written in natural language and extracts structured information.
DeepPavlov (Python) An open source library for building end-to-end dialog systems and training chatbots.
ChatScript Natural Language tool/dialog manager, a rule-based chatbot engine.
Chatterbot (Python) ChatterBot is a machine learning, conversational dialog engine for creating chat bots.
Chatbot (Python) 基於向量匹配的情境式聊天機器人
Tipask (PHP) 一款开放源码的PHP问答系统，基于Laravel框架开发，容易扩展，具有强大的负载能力和稳定性。
QuestionAnsweringSystem (Java) 一个Java实现的人机问答系统，能够自动分析问题并给出候选答案。
QA-Snake (Python) 基于多搜索引擎和深度学习技术的自动问答
使用TensorFlow实现的Sequence to Sequence的聊天机器人模型 (Python)
使用深度学习算法实现的中文阅读理解问答系统 (Python)
DuReader中文阅读理解Baseline代码 (Python)
基于SmartQQ的自动机器人框架 (Python)
QASystemOnMedicalKG (Python) 以疾病为中心的一定规模医药领域知识图谱，并以该知识图谱完成自动问答与分析服务。

Corpus 中文语料

开放知识图谱OpenKG.cn
开放中文知识图谱的schema
大规模中文概念图谱CN-Probase 公众号介绍
农业知识图谱农业领域的信息检索，命名实体识别，关系抽取，分类树构建，数据挖掘
CLDC中文语言资源联盟
中文 Wikipedia Dump
98年人民日报词性标注库@百度盘
搜狗20061127新闻语料(包含分类)@百度盘
UDChinese (for training spaCy POS)
中文word2vec模型
上百种预训练中文词向量
Tencent AI Lab Embedding Corpus for Chinese Words and Phrases
中华新华字典数据库包括歇后语，成语，词语，汉字。
Synonyms:中文近义词工具包基于维基百科中文和word2vec训练的近义词库，封装为python包文件。
Chinese_conversation_sentiment A Chinese sentiment dataset may be useful for sentiment analysis.
中文突发事件语料库 Chinese Emergency Corpus
dgk_lost_conv 中文对白语料 chinese conversation corpus
用于训练中英文对话系统的语料库 Datasets for Training Chatbot System
八卦版問答中文語料
中国股市公告信息爬取通过python脚本从巨潮网络的服务器获取中国股市（sz,sh）的公告(上市公司和监管机构)
tushare财经数据接口 TuShare是一个免费、开源的python财经数据接口包。
保险行业语料库 [52nlp介绍Blog] OpenData in insurance area for Machine Learning Tasks
最全中华古诗词数据库唐宋两朝近一万四千古诗人, 接近5.5万首唐诗加26万宋诗. 两宋时期1564位词人，21050首词。
DuReader中文阅读理解数据
中文语料小数据包含了中文命名实体识别、中文关系识别、中文阅读理解等一些小量数据
大规模中文自然语言处理语料维基百科(wiki2019zh),新闻语料(news2016zh),百科问答(baike2018qa)
中文人名语料库中文姓名,姓氏,名字,称呼,日本人名,翻译人名,英文人名。
中文敏感词词库敏感词过滤的几种实现+某1w词敏感词库
中文简称词库 A corpus of Chinese abbreviation, including negative full forms.
中文数据预处理材料中文分词词典和中文停用词
漢語拆字字典
SentiBridge: 中文实体情感知识库刻画人们如何描述某个实体，包含新闻、旅游、餐饮，共计30万对。
OpenCorpus A collection of freely available (Chinese) corpora.
ChineseNlpCorpus 情感/观点/评论倾向性分析，中文命名实体识别，推荐系统

Organizations 中文NLP学术组织及竞赛

清华大学自然语言处理与人文计算实验室
北京大学计算语言学教育部重点实验室
中科院计算所自然语言处理研究组
哈工大智能技术与自然语言处理实验室
复旦大学自然语言处理组
苏州大学自然语言处理组
南京大学自然语言处理研究组
东北大学自然语言处理实验室
厦门大学智能科学与技术系自然语言处理实验室
郑州大学自然语言处理实验室
微软亚洲研究院自然语言处理
华为诺亚方舟实验室
CUHK Text Mining Group
PolyU Social Media Mining Group
HKUST Human Language Technology Center
National Taiwan University NLP Lab
中国中文信息学会
NLP Conference Calender Main conferences, journals, workshops and shared tasks in NLP community.
2017 第一届“讯飞杯”中文机器阅读理解评测
2017 AI-Challenger 图像中文描述用一句话描述给定图像中的主要信息，挑战中文语境下的图像理解问题。
2017 AI-Challenger 英中机器文本翻译用大规模的数据，提升英中文本机器翻译模型的能力。
2017 知乎看山杯机器学习挑战赛根据知乎给出的问题及话题标签的绑定关系的训练数据，训练出对未标注数据自动标注的模型。
2018 开放领域的中文问答任务对于给定的一句中文问题，问答系统从给定知识库中选择若干实体或属性值作为该问题的答案。
2018 微众银行智能客服问句匹配大赛针对中文的真实客服语料，进行问句意图匹配；给定两个语句，判定两者意图是否相近。

Industry 中文NLP商业服务

百度云NLP 提供业界领先的自然语言处理技术，提供优质文本处理及理解技术
阿里云NLP 为各类企业及开发者提供的用于文本分析及挖掘的核心工具
腾讯云NLP 基于并行计算、分布式爬虫系统，结合独特的语义分析技术，一站满足NLP、转码、抽取、数据抓取等需求
讯飞开放平台以语音交互为核心的人工智能开放平台
搜狗实验室分词和词性标注
玻森数据上海玻森数据科技有限公司，专注中文语义分析技术
云孚科技 NLP工具包、知识图谱、文本挖掘、对话系统、舆情分析等
智言科技专注于深度学习和知识图谱技术突破的人工智能公司
追一科技主攻深度学习和自然语言处理

Learning Materials 学习资料

中文Deep Learning Book
Stanford CS224n Natural Language Processing with Deep Learning 2017
Oxford CS DeepNLP 2017
[Course materials for Georgia Tech CS 4650 and 7650, "Natural Language"] (https://github.com/jacobeisenstein/gt-nlp-class)
Speech and Language Processing by Dan Jurafsky and James H. Martin
52nlp 我爱自然语言处理
hankcs 码农场
文本处理实践课资料文本处理实践课资料，包含文本特征提取（TF-IDF），文本分类，文本聚类，word2vec训练词向量及同义词词林中文词语相似度计算、文档自动摘要，信息抽取，情感分析与观点挖掘等实验。
nlp_tasks Natural Language Processing Tasks and Selected References