Skip to content

Latest commit

 

History

History
14 lines (11 loc) · 913 Bytes

ReadMe.md

File metadata and controls

14 lines (11 loc) · 913 Bytes

NER_corpus_chinese

可获取的ENR中文语料

目前网络上流传比较广泛的主要是以下几个:

  • 人民日报1998版本:其实就是分词的训练语料,将其中/t、/nr、/ns、/nt看做实体标签就可以做NER了。
  • MSRA语料:以BIO格式标注了人名、地名、组织机构名三类实体。
  • 玻森NLP语料:包含2000个段落,标注了6类实体,除了时间和3种常见类别外,还有公司名和产品名。但规模小,只有1MB多点。

其他可能用来研究的语料:

  • 人民日报2014版:标注格式跟1998版有较大变化,词性分得更细致,实体标注有嵌套关系。规模大了不少,有1750万字左右,但需要较为复杂的预处理。
  • 不知名语料:以BIO格式标注了人名、地名、组织机构名三类实体。130多万字

不应公开传播的垂直域NER语料:

  • CCKS2017电子病历实体标注: