Gossiping Chinese Corpus

Korpus Cina PTT

? Berita: Kami menggunakan strategi pengumpulan data serupa untuk melatih model bahasa skala besar untuk bahasa Mandarin Tradisional. Untuk performa dan penggunaan model, silakan merujuk ke Kyara

---

Hai, ini korpus PTT China. Saya menggunakan asumsi dan metode tertentu untuk menyederhanakan setiap artikel menjadi pasangan tanya jawab, dimana pertanyaannya berasal dari judul artikel, dan balasannya adalah tweet artikel tersebut. Sayangnya, kebisingan kumpulan data ini masih agak keras saat ini. Jika Anda memiliki cara yang lebih baik untuk mengekstrak artikel pasangan tanya jawab, atau jika Anda menemukan bagian kumpulan data ini yang dapat ditingkatkan, silakan hubungi saya. Saya juga berharap perkembangan Anda lancar:>

Deskripsi informasi

Ada dua kumpulan data yang bisa diperoleh dari PTT-Gossiping-Corpus atau dari folder data proyek ini.

Gosip-QA-Dataset.txt

Kumpulan artikel PTT Bagua Edisi 2015 hingga Juni 2017. Setiap baris merupakan pasangan tanya jawab, dan tanya jawab dipisahkan oleh bagian tab ( t ), misalnya

 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

Saat ini terdapat 418.202 pertandingan Tanya Jawab, namun tidak semua pertandingan valid karena beberapa artikel tidak memiliki tweet. Balasan terhadap pertanyaan tersebut akan ditandai sebagai沒有資料(total 650).

Gosip-QA-Dataset-2_0.csv

Kumpulan data versi baru diperluas dari Gossiping-QA-Dataset.txt, menambahkan beberapa artikel dari 2018 dan 2019, dan berisi total 774.114 pasangan pertanyaan dan jawaban. Format datanya disesuaikan dengan csv yang berisi dua kolom: question answer . Dapat dengan mudah dimuat dengan panda:

 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...

Kutipan

Jika menurut Anda kumpulan data ini berguna untuk penelitian Anda, harap kutip proyek kami:

 @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}
}