README.md

awesome-chinese-nlp

A curated list of resources for NLP (Natural Language Processing) for Chinese

中文自然语言处理相关资料

图片来自复旦大学邱锡鹏教授

Contents 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 相关中文NLP组织，会议与竞赛

4. 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++)

• FudanNLP by 复旦 (Java)

• BosonNLP by Boson (商业API服务)

• 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

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.

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

• 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）

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)

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

• 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

• 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.

Organizations 相关中文NLP组织，会议与竞赛

• 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。

Learning Materials 学习资料

• 中文Deep Learning Book

• Stanford CS224n Natural Language Processing with Deep Learning 2017

• Oxford CS DeepNLP 2017

• 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