Gossiping Chinese Corpus

Corpus chino PTT

? Noticias: Utilizamos una estrategia de recopilación de datos similar para entrenar un modelo de lenguaje a gran escala para chino tradicional. Para conocer el rendimiento y el uso del modelo, consulte Kyara.

---

Hola, aquí está el corpus chino de PTT. Utilicé ciertas suposiciones y métodos para simplificar cada artículo en un par de preguntas y respuestas, donde las preguntas provienen del título del artículo y las respuestas son los tweets del artículo. Desafortunadamente, el ruido de este conjunto de datos todavía es un poco fuerte en la actualidad. Si tiene una mejor manera de extraer los pares de preguntas y respuestas de los artículos, o si encuentra alguna parte de este conjunto de datos que pueda mejorarse, comuníquese conmigo. También les deseo a todos un buen desarrollo:>

Descripción de la información

Hay dos conjuntos de datos, que se pueden obtener de PTT-Gossiping-Corpus o de la carpeta data de este proyecto.

Chismes-QA-Dataset.txt

Artículos recopilados de PTT Bagua Edition de 2015 a junio de 2017. Cada línea es un emparejamiento de preguntas y respuestas, y la pregunta y la respuesta están separadas por una sección de tabulación ( t ), por ejemplo

 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

Actualmente hay 418,202 coincidencias de preguntas y respuestas, pero no todas las coincidencias son válidas porque algunos artículos no tienen tweets. Las respuestas a dichas preguntas se marcarán como沒有資料(650 en total).

Chismes-QA-Dataset-2_0.csv

La nueva versión del conjunto de datos se amplía desde Gossiping-QA-Dataset.txt, agrega algunos artículos de 2018 y 2019 y contiene un total de 774,114 pares de preguntas y respuestas. El formato de datos se ajusta a csv, que contiene dos columnas: question y answer . Se puede cargar fácilmente con pandas:

 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...

Citación

Si cree que el conjunto de datos es útil para su investigación, cite nuestro proyecto:

 @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}
}