Kaggle NLP關聯的中文數據集合集
Yet Another Chinese News Dataset
包含新聞的標題+內容+圖片+url，包含簡體中文和繁體中文
～140k條信息
新聞聯播(Chinese official daily news)
包含新聞的時間+分類（國內/國際etc）+標題+內容，簡體中文
～20k條信息
Douban Movie Short Comments Dataset
包含電影名英文+電影片中文+評論時間+用戶名+評分+評價+點贊數，簡體中文
～1.963m條信息
ChineseMedicalCollection
包含中文古典醫藥書籍名稱（只有名字）
～700條信息
Pre-trained BERT, including scripts
The latest pre-trained BERT models, along with the latest code repo
(include BERT-Base, Chinese)
Chinese Song Lyrics
包含歌詞+歌名+歌手+url，簡體中文
~3k首歌曲
Social Network Fake Account Dataset
看起來實際上是對微博機器人賬戶的統計
～108k條收據
Dou ban Movie short comments (10377Movies)
包含電影名+評分+用戶名+評論時間+用戶評論，簡體中文
～10m條數據
WSDM - Fake News Classification
包含新聞+闢謠+新聞英文翻譯+新聞英文闢謠，簡體中文
～70k新聞，140k條闢謠
The National University of Singapore SMS Corpus
A corpus of more than 67,000 SMS messages in Singapore English & Mandarin
31,465 條中文短信