想要训练中文NLP模型却苦于没数据？是时候支持开源中文了

机器之心报道机器之心编辑部你需要中文语料吗？本文正是介绍了这样一个项目，它旨在收集真正方便的开放中文数据集。目前该项目已经提供了三个大型中文数据集，且到今年 5 月份，一期目标希望构建 10 个百万级中文语料和 3 个千万级中文语料。项目地址：https://github.com/brightmart/nlp_chinese_corpus在学习 NLP 的这条不归路上，我们总会发现大多数先进算法与优质示例代码都是用英文数据集。而当我们满怀希望地把模型迁移到中文世界时，缺少公开的优质数据集简直就是天堑。比如说最简单的中文语料，只需要一段段自然的中文文本就行了，我们可以用它训练语言模型或词嵌入等模型，然而实际上我们会发现公开的大型语料真的很少。少还只是一点，现有的中文语料很 ………………………………