Kaggle NLP关联的中文数据集合集
Yet Another Chinese News Dataset
包含新闻的标题+内容+图片+url，包含简体中文和繁体中文
～140k条信息
新闻联播(Chinese official daily news)
包含新闻的时间+分类（国内/国际etc）+标题+内容，简体中文
～20k条信息
Douban Movie Short Comments Dataset
包含电影名英文+电影片中文+评论时间+用户名+评分+评价+点赞数，简体中文
～1.963m条信息
ChineseMedicalCollection
包含中文古典医药书籍名称（只有名字）
～700条信息
Pre-trained BERT, including scripts
The latest pre-trained BERT models, along with the latest code repo
(include BERT-Base, Chinese)
Chinese Song Lyrics
包含歌词+歌名+歌手+url，简体中文
~3k首歌曲
Social Network Fake Account Dataset
看起来实际上是对微博机器人账户的统计
～108k条收据
Dou ban Movie short comments (10377Movies)
包含电影名+评分+用户名+评论时间+用户评论，简体中文
～10m条数据
WSDM - Fake News Classification
包含新闻+辟谣+新闻英文翻译+新闻英文辟谣，简体中文
～70k新闻，140k条辟谣
The National University of Singapore SMS Corpus
A corpus of more than 67,000 SMS messages in Singapore English & Mandarin
31,465 条中文短信