本文主要是介绍中文词性标注数据集，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
中文词性标注数据集
1. Chinese Treebank X.0 (CTBX)
-
数据集简介：
由LDC构建的中文树库。CTBX中X表示版本，随着版本数据规模扩大，以及部分标准修正。CTB1标注数据来自新华日报；CTB2对CTB1进行部分纠正以及进行发布；CTB4标注数据来自新华日报、香港政府新闻处发布的新闻、以及台湾Sinorama magazine；CTB5标注数据来源同CTB4，对规模进行扩大；CTB6增加了来自广播节目的标注数据；CTB7增加了广播新闻、微博数据、以及广播电视谈话类节目数据；CTB8标注数据来源新闻数据、新闻杂志、广播新闻、广播谈话节目、微博、以及网页数据；CTB9标注数据来自新闻数据、新闻杂志、广播新闻、广播谈话节目、微博、论坛、聊天对话、电话数据。
-
数据集详情：
名称 规模 创建日期 作者 单位 论文 下载 评测 CTB1 100000个词，325篇文章 2000年 – LDC 链接 未发布 N/A CTB2 100000个词，325篇文章 2001年 Martha Palmer, et al. LDC 链接 会员下载 N/A CTB4 404156词，664663个汉字，15162个句子，838个文件 2004年 Martha Palmer, et al. LDC N/A 会员下载 N/A CTB5 507222词，824983个汉字，18782个句子，890个文件 2005年 Martha Palmer, et al. LDC 链接 会员下载 N/A CTB6 781351词，1285149个汉字，28295个句子，2036个文件 2007年 Martha Palmer, et al. LDC N/A 会员下载 N/A CTB7 1196329词，1931381个汉字，51447个句子，2448个文件 2010年 Nianwen Xue, et al. LDC 链接 会员下载 N/A CTB8 1620561词，2589848个汉字，71369个句子，3007个文件 2013年 Nianwen Xue, et al. LDC N/A 会员下载 N/A CTB9 2084387词，3247331个汉字，132076个句子，3726个文件 2016年 Nianwen Xue, et al. LDC N/A 会员下载 N/A -
基于该数据集发表的相关论文：
- Chen, Xinchi, Xipeng Qiu, and Xuanjing Huang. “A feature-enriched neural model for joint Chinese word segmentation and part-of-speech tagging.” arXiv preprint arXiv:1611.05384 (2016).
- Diao, Shizhe, et al. “ZEN: Pre-training Chinese Text Encoder Enhanced by N-gram Representations.” arXiv preprint arXiv:1911.00720 (2019).
这篇关于中文词性标注数据集的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
