Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/CLUEbenchmark/CLUECorpus2020
Large-scale Pre-training Corpus for Chinese 100G 中文预训练语料
https://github.com/CLUEbenchmark/CLUECorpus2020
albert bert chinese chinese-corpus corpus datasets nlp pretrain roberta
Last synced: 3 months ago
JSON representation
Large-scale Pre-training Corpus for Chinese 100G 中文预训练语料
- Host: GitHub
- URL: https://github.com/CLUEbenchmark/CLUECorpus2020
- Owner: CLUEbenchmark
- License: mit
- Created: 2020-01-25T09:58:34.000Z (almost 5 years ago)
- Default Branch: master
- Last Pushed: 2022-10-17T03:51:05.000Z (about 2 years ago)
- Last Synced: 2024-04-05T15:34:05.936Z (7 months ago)
- Topics: albert, bert, chinese, chinese-corpus, corpus, datasets, nlp, pretrain, roberta
- Homepage: https://arxiv.org/abs/2003.01355
- Size: 308 KB
- Stars: 877
- Watchers: 21
- Forks: 78
- Open Issues: 10
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
- StarryDivineSky - CLUEbenchmark/CLUECorpus2020
README
# CLUECorpus2020
## 语料介绍
通过对Common Crawl的中文部分进行语料清洗，最终得到100GB的高质量中文预训练语料。实验产出的模型见：高质量中文预训练模型，大号、超小和相似度预训练模型。
**更多细节请参考我们的技术报告 https://arxiv.org/pdf/2003.01355**
#### 数据特点：
1. 可直接用于预训练、语言模型或语言生成任务。
2. 发布专用于简体中文NLP任务的小词表。
## 词表介绍
Google原始中文词表和我们发布的小词表的统计信息如下：
| Token Type | Google | CLUE |
| :----:| :----: | :----: |
| Simplified Chinese | 11378 | 5689 |
| Traditional Chinese | 3264 | ✗ |
| English | 3529 | 1320 |
| Japanese | 573 | ✗ |
| Korean | 84 | ✗ |
| Emoji | 56 | ✗ |
| Numbers | 1179 | 140 |
| Special Tokens | 106 | 106 |
| Other Tokens | 959 | 766 |
| Total | 21128 | 8021 |
## 实验效果
使用小数据集在BERT-base上的效果对比：
| Model | Vocab | Data | Steps | AFQMC | TNEWS' | IFLYTEK' | CMNLI | AVG |
| :----:| :----: | :----: | :----: |:----: |:----: |:----: |:----: |:----: |
| BERT-base | Google | Wiki (1 GB) | 125K | 69.93% | 54.77% | 57.54% | 75.64% | 64.47% |
| BERT-base | Google | C5 (1 GB) | 125K | 69.63% | 55.72% | 58.87% | 75.75% | 64.99% |
| BERT-base | CLUE | C5 (1 GB) | 125K | 69.00% | 55.04% | 59.07% | 75.84% | 64.74% |
| BERT-base mm | Google | C5 (1 GB) | 125K | 69.57% | 55.17% | 59.69% | 75.86% | 65.07% |
| BERT-base | Google | C5 (1 GB) | 375K | 69.85% | 55.97% | 59.62% | 76.41% | 65.46% |
| BERT-base | CLUE | C5 (1 GB) | 375K | 69.93% | 56.38% | 59.35% | 76.58% | 65.56% |
| BERT-base | Google | C5 (3 GB) | 375K | 70.22% | 56.41% | 59.58% | 76.70% | 65.73% |
| BERT-base | CLUE | C5 (3 GB) | 375K | 69.49% | 55.97% | 60.12% | 77.66% | 65.81% |
更多实验结果和分析可以参考：CLUEPretrainedModels
## 数据下载
申请方式：
将使用语料研究目的和用途，计划、研究机构和申请者介绍，发送到邮箱，并承诺不向第三方提供。
邮箱: [email protected]，标题是：CLUECorpus2020 200G语料库
# CLUECorpusSmall（14G）
可用于语言建模、预训练或生成型任务等，数据量超过14G，近4000个定义良好的txt文件、50亿个字。主要部分来自于nlp_chinese_corpus项目
当前语料库按照【预训练格式】处理，内含有多个文件夹；每个文件夹有许多不超过4M大小的小文件，文件格式符合预训练格式：每句话一行，文档间空行隔开。
包含如下子语料库（总共14G语料）：
1、新闻语料 news2016zh_corpus: 8G语料，分成两个上下两部分，总共有2000个小文件。 密码:mzlk
2、社区互动-语料 webText2019zh_corpus：3G语料，包含3G文本，总共有900多个小文件。 密码:qvlq
3、维基百科-语料 wiki2019zh_corpus：1.1G左右文本，包含300左右小文件。 密码:xv7e
4、评论数据-语料 comments2019zh_corpus：2.3G左右文本，共784个小文件，包括点评评论547个、亚马逊评论227个，合并ChineseNLPCorpus的多个评论数据，清洗、格式转换、拆分成小文件。 密码:gc3m
## 反馈和支持
可以提交issue，加入讨论群(QQ:836811304)
或发送邮件 [email protected]
Research supported with Cloud TPUs from Google's TensorFlow Research Cloud (TFRC)
## 引用
@article{CLUECorpus2020,
title={CLUECorpus2020: A Large-scale Chinese Corpus for Pre-training Language Model},
author={Liang Xu and Xuanwei Zhang and Qianqian Dong},
journal={ArXiv},
year={2020},
volume={abs/2003.01355}
}
## 捐赠
CLUE是一个致力于中文自然语言处理的开源组织，如果您觉得我们的工作对您的学习或者业务等有帮助，希望能得到您的赞助，以便我们后续为大家提供更多更有用的开源工作，让我们一起为中文自然语言处理的发展和进步，尽一份力～
**请备注捐赠者机构和姓名，非常感谢！**
支付宝
微信
