收藏丨20个中文语料数据集，含数学考试、公务员考题、医患对话等

#要想训练出具有中文语境特色的大语言模型，中文语料数据必不可少，今天给大家分享20个中文语料数据集，欢迎转发、分享，催更下一期

No.1 Math23K (Math23K for Math Word Problem Solving)

● 发布方：腾讯人工智能实验室

● 发布时间：2017

● 简介：
Math23K 是为解决数学单词问题而创建的数据集，包含从互联网上爬取的 23,162 个中文问题。

● 下载地址：
https://opendatalab.org.cn/Math23K

● 论文地址：
https://aclanthology.org/D17-1088.pdf

No.2 Ape210K

● 发布方：猿辅导 AI Lab，西北大学

● 发布时间：2020

● 简介：
Ape210K是一个新的大规模和模板丰富的数学单词问题数据集，包含 210K 个中国小学水平的数学问题，是最大的公共数据集 Math23K 的 9 倍（Wang et al., 2017）。每个问题都包含黄金答案和得出答案所需的方程式。 Ape210K 也具有更大的多样性，有 56K 个模板，是 Math23K 的 25 倍。我们的分析表明，解决 Ape210K 不仅需要自然语言理解，还需要常识知识。

● 下载地址：
https://github.com/Chenny0808/ape210k

● 论文地址：
https://arxiv.org/pdf/2009.11506v1.pdf

No.3 DRCD (Delta Reading Comprehension Dataset)

● 发布方：台达研究中心,台达电子

● 发布时间：2018

● 简介：
一个数据集，其中包含 2,221 个来自不同学科（历史、生物学、地理和哲学）的十二年级入学考试的问题，以及来自历史在线测验的 412 个附加问题。

● 下载地址：
https://opendatalab.org.cn/DRCD

● 论文地址：
https://arxiv.org/ftp/arxiv/papers/1806/1806.00920.pdf

No.4 FCGEC

● 发布方：浙江大学,华为

● 发布时间：2022

● 简介：
FCGEC是一个带有多个参考文献的人类注释语料库，由主要从公立学校语文考试的多选题中收集的41,340句子组成。

● 下载地址：
https://opendatalab.org.cn/FCGEC

● 论文地址：
https://arxiv.org//pdf/2210.12364.pdf

No.5 E-KAR (Benchmark for Explainable Knowledge-intensive Analog