语料库汇总

最新推荐文章于 2025-05-29 18:16:23 发布
最新推荐文章于 2025-05-29 18:16:23 发布
阅读量4.4k 收藏 9
点赞数 3
CC 4.0 BY-SA版权
分类专栏： NLP
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/gentelyang/article/details/88362668
最低0.47元/天 解锁文章

200万优质内容无限畅学
Bilibili 字幕语料库
更上一层楼！
05-11 693
文章目录0 背景1. 方案汇总2. 可行性分析2.1 tessertart-OCR2.2 音频抽取转换2.3 自有字幕文件3. 字幕语料库构建3.1 获取弹幕信息3.2 转码处理3.3 转换处理4. 语料库建设4.1 构建模型4.2 测试模型5. 预期收益 0 背景 近期在观看 Bilibili 视频的时候，发现一些 UP 主的视频从内容上来看都很精良，但却似乎少了点什么，粉丝量，播放量都上不去。想了想，是文案！按我的理解，大部分同类型同题材的 UP 主的文案都是类似的，撇开文案版权的问题（毕竟，读书人的事
【汇总】语料库资源
诺顿500的博客
07-02 1757
source link:https://www.douban.com/note/269081724/ 国内可用免费语料库（凡没有标注不可用的链接均可用） (一) 国家语委 1.国家语委现代汉语语料库http://www.cncorpus.org/ 现代汉语通用平衡语料库现在重新开放网络查询了。重开后的在线检索速度更快，功能更强，同时提供检索结果下载。现代汉语语料库在线提供免费检索的
百度百科语料库
04-03
语料库分为人物、景区、动物
搜狗最新文本分类语料库
01-04
搜狗最新文本分类语料库 C000007 汽车 C000008 财经 C000010 IT C000013 健康 C000014 体育 C000016 旅游 C000020 教育 C000022 招聘 C000023 文化 C000024 军事
《DeepSeek数据预处理技术拆解：如何构建高质量训练语料库？》
2501_91651629的博客
05-29 784
◦ 多模态特征对齐：图像-文本对通过CLIP预训练模型提取跨模态特征，建立视觉区域与文本token的映射关系，例如在图文数据中，自动将“猫”的文本token与图像中猫的像素区域特征绑定。◦ 图像/音频数据：建立跨模态噪声识别体系，例如通过视觉特征聚类检测模糊图像，利用音频频谱分析过滤背景噪声，某自动驾驶数据集清洗后，障碍物识别准确率提升9%。• 联邦学习预处理：在不共享原始数据的前提下，通过加密哈希实现跨机构数据特征对齐，某医疗NLP项目中，该方案使模型精度保持在集中训练的98%以上。
cometa:在线医疗实体语料库
05-30
COMETA：在线医疗实体的语料库 该存储库包含运行我们介绍的基线模型的代码： COMETA： EMNLP 2020社交媒体中医疗实体链接的语料库。 COMETA 是一个实体链接外行医学术语数据集。 它是通过分析 68 个以健康为主题的 subreddits 中四年的内容收集的，并用相应的 SNOMED-CT 实体注释最常见的内容。 每个术语都分配了两个注释：通用 SNOMED-CT 标识符和特定标识符，分别表示术语的字面和上下文含义。 有关语料库的副本，请按照我们上的说明进行操作。 预训练向量 模型 下载链接 Bioreddit-FastText ， Bioreddit-BERT 您可以在找到在相同的Bioreddit语料库上针对ELMo，Flair和GloVE训练的载体。 引文 如果您使用我们的语料库或我们的嵌入，请引用： @inproceedings { basaldel
中文维基百科语料库（截止2019年2月20日）
02-24
这是最新的中文维基百科语料库（截至2019年2月20日），可以用来训练word2vec词向量，做文本分类，官网特别难下载，因此分享出来
中文维基百科语料库百度网盘网址.txt
08-10
本资源是维基百科中文网页的语料库（包含处理过的与未处理的），版本为2020-8-3版本，可适用于中文语料处理等训练集。由于文件过大，放在的百度网盘中，如果网盘被和谐或者其他原因造成的无法打开，请评论留言，本人看到后立即更改。 文件中包含的内容有：未经处理的维基百科语料库、使用代码处理繁体转简体并jieba分词后的语料库、繁体转简体的代码，读者可根据自己的需要进行相应的提取。
中文语料库数据集及相关内容汇总
最新发布
08-20
资源下载链接为： https://pan.quark.cn/s/b84ea79a531a 中文语料库数据集及相关内容汇总（最新、最全版本！打开链接下载即可用！）
国内可外用免费语料库下载资源汇总, 语言翻译必备：国内外23个语料库推荐
weixin_33920401的博客
09-04 1万+
国内可外用免费语料库下载资源汇总   (一) 国家语委1.国家语委现代汉语语料库http://www.cncorpus.org/现代汉语通用平衡语料库现在重新开放网络查询了。重开后的在线检索速度更快，功能更强，同时提供检索结果下载。现代汉语语料库在线提供免费检索的语料约2000万字，为分词和词性标注语料。 2.古代汉语语料库http://www.cncorpus.org/login.aspx网站...
nlp英文正负向情感分析语料库.zip
03-14
语料库的数据还是很多的，全部训练完后你的情感分析精度能提升很多。推荐下载。内含正负向语料库。总体来说价值还是挺高的
已预处理 NLP 英文语料库 新闻组 20_Newsgroup(单标签英文平衡语料)
08-26
已做预处理：分词、剔除停用词 可直接拿来统计建立文本模型
百度百科百万级问答语料集
07-23
从百度百科词条知识库中爬取下来的百万条百科知识，可用于自然语言处理、QA问答、知识图谱、实体识别、关系抽取等技术研究
GENIA corpus3.02p生物医学实体识别语料库
04-19
GENIA语料库是为GENIA项目编写并标注的最初的生物医学文献集合。这个语料库是为了发展和评估分子生物学信息检索及文本挖掘系统而创建的。这个语料库包含1999条Medline的摘要，这些摘要是由PubMed按照human、blood cells以及transcription factors三个医学主题词（medical subject heading terms ）为搜索条件搜索到的。这个语料库已经被按照不同级别的语言信息、语义信息进行标注。
百度百科词条
04-12
百度百科约500万条词条，可用于语义关联或简单的知识网络建立，xml格式，解压后638M，请不要用记事本直接打开，我是用UE打开的，sublime好像会有乱码，文件内容示例如下： =1 <TITLE>=百度百科 =百度，百度百科，网络，百科全书，百科词典 =百度知道;贴吧;百度空间;百度地图;百度新闻搜索;百度图片;百度mp3;百度Hi;百度工具栏;百度影视;百度邮编搜索;百度黄页搜索;百度杀毒;百度语音搜索;科利尔百科全书;苏联大百科全书;汇吃百科;维基百科;百度视频;百度蜘蛛;百度文库;互动百科;百度文档;百度文化共享搜索;百度盲道;百度会员;百度搜藏;百度TV;百科全书;知识掌门人;百度游戏;百度有啊;张震;科友; =http://baike.baidu.com/view/1.htm =2 <TITLE>=词条 =百度，百度百科 =相关词条; =http://baike.baidu.com/view/2.htm =3 <TITLE>=编辑实验 =百度，百度百科，帮助，词条，编辑 =词条;百度; =http://baike.baidu.com/view/3.htm =4 <TITLE>=馒头 =食品，饮食，面食，食谱，蒸馍 =大饼;油条;面包;饺子;花卷;包子;麻花;食品;主食;糯米饭;蛋糕;鲜肉包;米粥;面条;凉拌菜;年糕;饼干;窝头;粽子;烤饼;酥饼;汤圆;烧饼; =http://baike.baidu.com/view/4.htm =6 <TITLE>=雁荡山 =地理，旅游，旅游景点，自然景观，地质公园 =华山;泰山;普陀山;恒山;嵩山;莫干山;浣江;衡山;括苍山;双龙洞;雪窦山;天台山;天目山;楠溪江;天柱山;景宁香炉山;乌镇;杭州西湖;泽雅;白水洋;武夷山;洞宫山;桃花岛;三清山;黄山;新安江水库;崂山区;溪口;太姥山;南麂列岛;野鹤湫;庐山;江心屿;瑶溪;朱家尖;石桅岩;绍兴县;杨家溪;仙岩山;仙都风景区;大龙湫;三折瀑;五岳; =http://baike.baidu.com/view/6.htm =7 <TITLE>=灵峰 =风景，雁荡山，地理，旅游，温州 = =http://baike.baidu.com/view/7.htm
百度百科资源
06-06
app项目资源，图片，开始过程要用的到一些那些资源
菜鸟学习C++练笔之整理搜狗2008版语料库--获取分类语料库
weixin_33724659的博客
09-18 188
注：此篇博客无法提供源代码下载，读者可自行从博文上拷贝代码。 作者：finallyliuyu(博文转载请注明作者和出处)  注：有网友提出来说直接把抽取之后的搜狗2008版新闻语料库发布，根据搜狗实验室的数据使用许可说明(http://www.sogou.com/labs/dl/license.html):有如下条款 三. 受益者的义务禁止将搜狗实验室数据提供给第三方使用，第三方如有需要可直...
【语料库】语料库资源汇总
热门推荐
Fredericke Guo的专栏
12-19 2万+
国内可用免费语料库（凡没有标注不可用的链接均可用） (一) 国家语委 1国家语委现代汉语语料库http://www.cncorpus.org/ 现代汉语通用平衡语料库现在重新开放网络查询了。重开后的在线检索速度更快，功能更强，同时提供检索结果下载。现代汉语语料库在线提供免费检索的语料约2000万字，为分词和词性标注语料。 2古代汉语语料库http://www.cncorpu
KPCA算法人脸识别技术与复旦语料库在matlab中的应用
- **语料库**：语料库是指收集的大量自然语言材料的总汇，可用于语言学研究、词典编纂、自然语言处理等。复旦大学可能开发了特定用途的语料库，可能被用于训练或评估语言模型等。 #### KNN算法： - **KNN（K-最近邻...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值