Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/candlewill/dialog_corpus

用于训练中英文对话系统的语料库 Datasets for Training Chatbot System
https://github.com/candlewill/dialog_corpus

chatbot corpus dataset dialog system

Last synced: about 1 month ago
JSON representation

用于训练中英文对话系统的语料库 Datasets for Training Chatbot System

Host: GitHub
URL: https://github.com/candlewill/dialog_corpus
Owner: candlewill
Created: 2017-03-14T13:01:29.000Z (over 7 years ago)
Default Branch: master
Last Pushed: 2020-09-23T21:06:45.000Z (about 4 years ago)
Last Synced: 2024-10-14T11:01:30.239Z (about 1 month ago)
Topics: chatbot, corpus, dataset, dialog, system
Language: Python
Homepage:
Size: 96.8 MB
Stars: 2,033
Watchers: 84
Forks: 498
Open Issues: 2
Metadata Files:
- Readme: README.md

Awesome Lists containing this project

README

# 用于对话系统的中英文语料
Datasets for Training Chatbot System

本项目收集了一些从网络中找到的用于训练中文（英文）聊天机器人的对话语料

### 公开语料
搜集到的一些数据集如下，点击链接可以进入原始地址

1. [dgk_shooter_min.conv.zip](https://github.com/rustch3n/dgk_lost_conv)

中文电影对白语料，噪音比较大，许多对白问答关系没有对应好

2. [The NUS SMS Corpus](https://github.com/kite1988/nus-sms-corpus)

包含中文和英文短信息语料，据说是世界最大公开的短消息语料

3. [ChatterBot中文基本聊天语料](https://github.com/gunthercox/chatterbot-corpus/tree/master/chatterbot_corpus/data)

ChatterBot聊天引擎提供的一点基本中文聊天语料，量很少，但质量比较高

4. [Datasets for Natural Language Processing](https://github.com/karthikncode/nlp-datasets)

这是他人收集的自然语言处理相关数据集，主要包含Question Answering，Dialogue Systems， Goal-Oriented Dialogue Systems三部分，都是英文文本。可以使用机器翻译为中文，供中文对话使用

5. [小黄鸡](https://github.com/rustch3n/dgk_lost_conv/tree/master/results)

据传这就是小黄鸡的语料：xiaohuangji50w_fenciA.conv.zip （已分词）和 xiaohuangji50w_nofenci.conv.zip （未分词）

6. [白鹭时代中文问答语料](https://github.com/Samurais/egret-wenda-corpus)

由白鹭时代官方论坛问答板块10,000+ 问题中，选择被标注了“最佳答案”的纪录汇总而成。人工review raw data，给每一个问题，一个可以接受的答案。目前，语料库只包含2907个问答。([备份](./egret-wenda-corpus.zip))

7. [Chat corpus repository](https://github.com/Marsan-Ma/chat_corpus)

chat corpus collection from various open sources

包括：开放字幕、英文电影字幕、中文歌词、英文推文

8. [保险行业QA语料库](https://github.com/Samurais/insuranceqa-corpus-zh)

通过翻译 [insuranceQA](https://github.com/shuzi/insuranceQA)产生的数据集。train_data含有问题12,889条，数据 141779条，正例：负例 = 1:10； test_data含有问题2,000条，数据 22000条，正例：负例 = 1:10；valid_data含有问题2,000条，数据 22000条，正例：负例 = 1:10

### 未公开语料

这部分语料，网络上有所流传，但由于我们能力所限，或者原作者并未公开，暂时未获取。只是列举出来，供以后继续搜寻。

1. 微软小冰

### 版权

所有原始语料归原作者所有

### 联系

[何云超]([email protected])

weibo: [@Yunchao_He](http://weibo.com/heyunchao)