Gossiping Chinese Corpus

Chinesisches PTT-Korpus

? News: Wir haben eine ähnliche Datenerfassungsstrategie verwendet, um ein umfangreiches Sprachmodell für traditionelles Chinesisch zu trainieren. Informationen zur Modellleistung und -verwendung finden Sie bei Kyara

---

Hallo, hier ist das PTT-Korpus für Chinesisch. Ich habe bestimmte Annahmen und Methoden verwendet, um jeden Artikel in eine Frage-Antwort-Paarung zu vereinfachen, wobei die Fragen aus dem Titel des Artikels stammen und die Antworten die Tweets des Artikels sind. Leider ist das Rauschen dieses Datensatzes derzeit noch etwas laut. Wenn Sie eine bessere Möglichkeit haben, die Frage-Antwort-Paare von Artikeln zu extrahieren, oder wenn Sie Teile dieses Datensatzes finden, die verbessert werden können, kontaktieren Sie mich bitte . Außerdem wünsche ich euch allen eine reibungslose Entwicklung:>

Informationsbeschreibung

Es gibt zwei Datensätze, die vom PTT-Gossiping-Corpus oder aus dem data dieses Projekts bezogen werden können.

Gossiping-QA-Dataset.txt

Gesammelte Artikel aus der PTT Bagua Edition von 2015 bis Juni 2017. Jede Zeile ist eine Frage-Antwort-Paarung, und Frage und Antwort sind beispielsweise durch einen Tabulatorabschnitt ( t ) getrennt

 matlab有什麼炫砲一點的圖？	一樣的圖改一改顏色，有點半透明感覺更唬爛炫
有沒有情人節吃什麼cp值最高的八卦	吃屎啊廢話 免費的一餐
姆咪一個人守得住街亭嗎?	引來一堆肥宅穢土轉生 有機會喔
有沒有被落石砸到該反省的八卦	蔡英文執政就故意誇大報導 東森不意外
情人節該帶女朋友去哪慶祝？	用了一整年 對她好一點  送專業乾洗店吧
為什麼 聖結石 會被酸而 這群人 不會？	質感 劇本 成員 都差很多好嗎 不要拿腎結石來污辱這群人
為什麼慶祝228會被罵可是慶端午不會？	因為屈原不是台灣人，是楚國人。
有沒有戰神阿瑞斯的八卦?	爵士就是阿瑞斯 男主角最後死了
理論與實務最脫節的系	哪個系不脫節...你問最不脫節的簡單多了...
為什麼PTT這麼多人看棒球	肥宅才看棒球　系壘一堆胖子
為什麼達摩祖師傳那麼好看?	達摩從頭到尾都是被動 (別人問他問題

Derzeit gibt es 418.202 Q&A-Matches, aber nicht alle Matches sind gültig, da einige Artikel沒有資料(insgesamt 650).

Gossiping-QA-Dataset-2_0.csv

Die neue Version des Datensatzes wurde von Gossiping-QA-Dataset.txt um einige Artikel aus den Jahren 2018 und 2019 erweitert und enthält insgesamt 774.114 Frage-Antwort-Paare. Das Datenformat ist an CSV angepasst, das zwei Spalten enthält: question und answer . Es kann problemlos mit Pandas geladen werden:

 import pandas as pd
qa_corpus = pd.read_csv("data/Gossiping-QA-Dataset-2_0.csv")
qa_corpus.head()

# question	answer
# 173763	今年房市是多還是空？	有台北市的房子 再來討論
# 216985	有沒有台灣高登拉姆齊-劉一帆的八卦?	餐飲界賈伯斯
# 679552	什麼時候會覺得台灣治安很差？	台灣一年輾死三千多人
# 349323	有沒有早上起來運動很舒服的八卦？	肥宅每天都在運動,手部運動
# 42228	迪士尼還有什麼片子適合拍成真人版	想說我剛剛不是進sex版啊...

Zitat

Wenn Sie der Meinung sind, dass der Datensatz für Ihre Forschung hilfreich ist, zitieren Sie bitte unser Projekt:

 @misc{
    kai-chou yang_2019,
    title={PTT-Gossiping-Corpus},
    url={https://www.kaggle.com/dsv/676336},
    DOI={10.34740/DVS/676336},
    publisher={Kaggle},
    author={Kai-Chou Yang},
    year={2019}
}