自己整理的一些NLP数据集【不定期更新】

序号	数据集名称	数据来源	领域	适用任务	语言	数量	简介
1	通用知识图谱数据集	OpenKG	通用	知识图谱	中文	1.4亿	ownthink开源了史上最大规模1.4亿知识图谱数据集，数据是以（实体、属性、值），（实体、关系、实体）混合的形式组织，数据格式采用csv格式。
2	病人事件图谱数据集	华东理工大学	医疗	知识图谱	中文	3个专科、173395个医疗事件、501335个事件时序关系以及与5313个知识库概念	病人事件图谱是一种新的基于RDF的医疗观察性数据表示模型，可以清晰地表示临床检查、诊断、治疗等多种事件类型以及事件的时序关系。使用三家上海三甲医院的电子病历数据，构建了包括3个专科、173395个医疗事件、501335个事件时序关系以及与5313个知识库概念链接的医疗数据集。
3	herbnet数据集	中国中医科学院中医药信息研究所	医疗	知识图谱	中文	/	面向中药研究，根据中药领域模型的特点，构建了一个包括中医疾病，方剂，中药， 中药化学成分，药理作用，中药实验，化学实验方法在内的中药本体。 进而，基于本体实现了一系列数据库的集成，从而构建了一个中药知识图谱。
4	cail2020	第三届“中国法研杯”司法人工智能挑赛(CAIL2020)	法律	阅读理解	中文	一部分为去年的CJRC训练集，一部分为重新标注的约3000个问答对，其中民事、刑事、行政各1000个问答对，均为需要多步推理的问题类型。验证集和测试集各约3000个问答对	本任务技术评测训练集包括两部分，一部分为去年的CJRC训练集，一部分为重新标注的约3000个问答对，其中民事、刑事、行政各1000个问答对，均为需要多步推理的问题类型。验证集和测试集各约3000个问答对，同样均为需要多步推理的问题类型
5	CMRC2018	哈尔滨工业大学·科大讯飞研究院·科大讯飞人工智能研究	通用	阅读理解	中文	CMRC 是一个由人类专家注释的数据集，包含近 20,000 个问题以及一个具有挑战性的集合，该集合由需要对多个线索进行推理的问题组成。	CMRC2018数据集是华语界出名的中文SQuAD数据集
6	dureader	百度	通用	阅读理解	中文	包含了20万个问题、100万个文档和超过42万个人类总结的答案	DuReader,一个新的大型开放中文机器阅读理解数据集。 DuReader 与以前的 MRC 数据集相比有三个优势: 数据来源:问题和文档均基于百度搜索和百度知道; 答案是手动生成的
7	squad1.1	斯坦福大学	通用	阅读理解	中文	包含 10 万 个(问题,原文,答案)三元组	SQuAD 是由 Rajpurkar等人提出的一个 抽取式QA数据集 [闭集]。该数据集包含 10 万 个(问题,原文,答案)三元组,原文来自于 536 篇维基百科文章
8	squad2	斯坦福大学	通用	阅读理解