https://github.com/chatopera/insuranceqa-corpus-zh

:helicopter: 保险行业语料库，聊天机器人
https://github.com/chatopera/insuranceqa-corpus-zh

chatbot corpus dataset insurance insuranceqa-corpus-zh machine-learning natural-language-processing natural-language-understanding qasystem question-answering

Last synced: 5 months ago
JSON representation

:helicopter: 保险行业语料库，聊天机器人

• Host: GitHub
• URL: https://github.com/chatopera/insuranceqa-corpus-zh
• Owner: chatopera
• License: other
• Created: 2017-07-26T16:06:33.000Z (about 8 years ago)
• Default Branch: master
• Last Pushed: 2024-07-12T09:53:05.000Z (over 1 year ago)
• Last Synced: 2025-05-12T02:17:11.147Z (5 months ago)
• Topics: chatbot, corpus, dataset, insurance, insuranceqa-corpus-zh, machine-learning, natural-language-processing, natural-language-understanding, qasystem, question-answering
• Language: Python
• Homepage: https://www.chatopera.com/
• Size: 533 MB
• Stars: 1,028
• Watchers: 54
• Forks: 344
• Open Issues: 9
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

          
[![PyPI](https://img.shields.io/pypi/v/insuranceqa_data.svg)](https://pypi.python.org/pypi/insuranceqa_data) [![PyPI download month](https://img.shields.io/pypi/dm/insuranceqa_data.svg)](https://pypi.python.org/pypi/insuranceqa_data/) [![](https://img.shields.io/pypi/pyversions/insuranceqa_data.svg)](https://pypi.org/pypi/insuranceqa_data/) [![PyPI version shields.io](https://img.shields.io/pypi/v/insuranceqa_data.svg)](https://pypi.python.org/pypi/insuranceqa_data/) [![License](https://cdndownload2.chatopera.com/cskefu/licenses/chunsong1.0.svg)](https://www.cskefu.com/licenses/v1.html "开源许可协议") [![](https://img.shields.io/pypi/format/insuranceqa_data.svg)](https://pypi.org/pypi/insuranceqa_data/)

# 保险行业语料库

该语料库包含从网站[Insurance Library](http://www.insurancelibrary.com/) 收集的问题和答案。

据我们所知，本数据集发布之时，2017 年，这是保险领域首个开放的QA语料库：

* 该语料库的内容由现实世界的用户提出，高质量的答案由具有深度领域知识的专业人士提供。 所以这是一个具有真正价值的语料，而不是玩具。

* 在上述论文中，语料库用于答复选择任务。 另一方面，这种语料库的其他用法也是可能的。 例如，通过阅读理解答案，观察学习等自主学习，使系统能够最终拿出自己的看不见的问题的答案。

* 数据集分为两个部分“问答语料”和“问答对语料”。问答语料是从原始英文数据翻译过来，未经其他处理的。问答对语料是基于问答语料，又做了分词和去标去停，添加label。所以，"问答对语料"可以直接对接机器学习任务。如果对于数据格式不满意或者对分词效果不满意，可以直接对"问答语料"使用其他方法进行处理，获得可以用于训练模型的数据。

## 安装使用

### 1/3 依赖

* Python: 2.x, 3.x

* Pip

### 2/3 安装脚本包

```

pip install -U insuranceqa_data

```

### 3/3 安装语料包

进入[证书商店](https://store.chatopera.com/product/insqa001)，购买证书，购买后进入【证书-详情】，点击【复制证书标识】。

![](https://cdndownload2.chatopera.com/store/imgs/insqa001-ordering-img.jpg)

然后，设置环境变量 `INSQA_DL_LICENSE`，比如使用命令行终端：

```bash

# Linux / macOS

export INSQA_DL_LICENSE=YOUR_LICENSE

## e.g. if your license id is `FOOBAR`, run `export INSQA_DL_LICENSE=FOOBAR`

# Windows

## 1/2 Command Prompt

set INSQA_DL_LICENSE=YOUR_LICENSE

## 2/2 PowerShell

$env:INSQA_DL_LICENSE='YOUR_LICENSE'

```

最后，执行以下命令，完成数据的下载。

```bash

python -c "import insuranceqa_data; insuranceqa_data.download_corpus()"

```

## 数据格式说明

数据分为两种：POOL 格式；PAIR 格式。其中，PAIR 格式更适合用于机器学习训练模型。

### 加载 POOL 数据

```python

import insuranceqa_data as insuranceqa

train_data = insuranceqa.load_pool_train() # 训练集

test_data = insuranceqa.load_pool_test()   # 测试集

valid_data = insuranceqa.load_pool_valid() # 验证集

# valid_data, test_data and train_data share the same properties

for x in train_data:                       # 打印数据

    print('index %s value: %s ++$++ %s ++$++ %s' % \

     (x, train_data[x]['zh'], train_data[x]['en'], train_data[x]['answers'], train_data[x]['negatives']))

answers_data = insuranceqa.load_pool_answers()

for x in answers_data:                     # 答案数据

    print('index %s: %s ++$++ %s' % (x, answers_data[x]['zh'], answers_data[x]['en']))

```

#### 数据设计

| - | 问题      |  答案  | 词汇（英语）  | 

| ------------- |-------------| ----- |   ----- |           

| 训练      | 12,889 | 21,325  |    107,889        |

| 验证      | 2,000     |  3354 |   16,931          |

| 测试       | 2,000      |    3308 |  16,815            |

每条数据包括问题的中文，英文，答案的正例，答案的负例。案的正例至少1项，基本上在*1-5*条，都是正确答案。答案的负例有*200*条，负例根据问题使用检索的方式建立，所以和问题是相关的，但却不是正确答案。

```

{

    "INDEX": {

        "zh": "中文",

        "en": "英文",

        "domain": "保险种类",

        "answers": [""] # 答案正例列表

        "negatives": [""] # 答案负例列表

    },

    more ...

}

```

* 训练：```corpus/pool/train.json.gz```

* 验证：```corpus/pool/valid.json.gz```

* 测试：```corpus/pool/test.json.gz```

* 答案：```corpus/pool/answers.json```

一共有 27,413 个回答，数据格式为 ```json```:

```

{

    "INDEX": {

        "zh": "中文",

        "en": "英文"

    },

    more ...

}

```

#### 中英文对照文件

##### 问答对

```

格式 INDEX ++$++ 保险种类 ++$++ 中文 ++$++ 英文

```

```corpus/pool/train.txt.gz```, ```corpus/pool/valid.txt.gz```, ```corpus/pool/test.txt.gz```.

##### 答案

```

格式 INDEX ++$++ 中文 ++$++ 英文

```

```corpus/pool/answers.txt.gz```

**语料库使用gzip进行压缩以减小体积，可以使用zmore, zless, zcat, zgrep等命令访问数据。**

```

zmore pool/test.txt.gz

```

### 加载 PAIR 数据

使用["问答数据"](https://github.com/chatopera/insuranceqa-corpus-zh/wiki/%E9%97%AE%E7%AD%94%E8%AF%AD%E6%96%99)，还需要做很多工作才能进入机器学习的模型，比如分词，去停用词，去标点符号，添加label标记。所以，在"问答数据"的基础上，还可以继续处理，但是在分词等任务中，可以借助不同分词工具，这点对于模型训练而言是有影响的。为了使数据能快速可用，[insuranceqa-corpus-zh](https://github.com/chatopera/insuranceqa-corpus-zh)提供了一个使用[HanLP](https://github.com/hankcs/HanLP)分词和去标，去停，添加label的数据集，这个数据集完全是基于"问答数据"。

#### 加载数据

```python

import insuranceqa_data as insuranceqa

train_data = insuranceqa.load_pairs_train()

test_data = insuranceqa.load_pairs_test()

valid_data = insuranceqa.load_pairs_valid()

# valid_data, test_data and train_data share the same properties

for x in test_data:

    print('index %s value: %s ++$++ %s ++$++ %s' % \

     (x['qid'], x['question'], x['utterance'], x['label']))

vocab_data = insuranceqa.load_pairs_vocab()

vocab_data['word2id']['UNKNOWN']

vocab_data['id2word'][0]

vocab_data['tf']

vocab_data['total']

```

#### 数据设计

```vocab_data```包含```word2id```(dict, 从word到id), ```id2word```(dict, 从id到word),```tf```(dict, 词频统计)和```total```(单词总数)。 其中，未登录词的标识为```UNKNOWN```，未登录词的id为0。

```train_data```, ```test_data``` 和 ```valid_data``` 的数据格式一样。```qid``` 是问题Id，```question``` 是问题，```utterance``` 是回复，```label``` 如果是 ```[1,0]``` 代表回复是正确答案，```[0,1]``` 代表回复不是正确答案，所以 ```utterance``` 包含了正例和负例的数据。每个问题含有10个负例和1个正例。

```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

句子长度:

```

max len of valid question : 31, average: 5(max)

max len of valid utterance: 878(max), average: 165(max)

max len of test question : 33, average: 5

max len of test utterance: 878, average: 161

max len of train question : 42(max), average: 5

max len of train utterance: 878, average: 162

vocab size: 24997

```

## 机器学习项目

可将本语料库和以下开源码配合使用

[deep-qa-1](https://github.com/chatopera/insuranceqa-corpus-zh/tree/release/deep_qa_1): Baseline model

[InsuranceQA TensorFlow](https://github.com/l11x0m7/InsuranceQA_zh): CNN with TensorFlow

[n-grams-get-started](https://github.com/Samurais/n-grams-get-started): N元模型

[word2vec-get-started](https://github.com/Samurais/word2vec-get-started): 词向量模型

## 声明

声明1 : [insuranceqa-corpus-zh](https://github.com/chatopera/insuranceqa-corpus-zh)

本数据集使用翻译 [insuranceQA](https://github.com/shuzi/insuranceQA)而生成，代码发布证书[Chunsong Public License, version 1.0](https://www.cskefu.com/licenses/v1.html)。数据仅限于研究用途，如果在发布的任何媒体、期刊、杂志或博客等内容时，必须注明引用和地址。

```

InsuranceQA Corpus, Chatopera Inc., https://github.com/chatopera/insuranceqa-corpus-zh, 07 27, 2017

```

任何基于[insuranceqa-corpus](https://github.com/chatopera/insuranceqa-corpus-zh)衍生的数据也需要开放并需要声明和“声明1”和“声明2”一致的内容。

声明2 : [insuranceQA](https://github.com/shuzi/insuranceQA)

此数据集仅作为研究目的提供。如果您使用这些数据发表任何内容，请引用我们的论文：[Applying Deep Learning to Answer Selection: A Study and An Open Task](https://arxiv.org/abs/1508.01585)。Minwei Feng, Bing Xiang, Michael R. Glass, Lidan Wang, Bowen Zhou @ 2015