Gossiping Chinese Corpus

Corpus chinês PTT

? Notícias: Usamos uma estratégia de coleta de dados semelhante para treinar um modelo de linguagem em larga escala para chinês tradicional. Para desempenho e uso do modelo, consulte Kyara.

---

Olá, aqui está o corpus chinês do PTT. Usei certas suposições e métodos para simplificar cada artigo em um par de perguntas e respostas, onde as perguntas vêm do título do artigo e as respostas são os tweets do artigo. Infelizmente, o ruído deste conjunto de dados ainda é um pouco alto no momento. Se você tiver uma maneira melhor de extrair os pares de perguntas e respostas dos artigos, ou se encontrar alguma parte deste conjunto de dados que possa ser melhorada, entre em contato comigo. . Também desejo a todos um bom desenvolvimento:>

Descrição da informação

Existem dois conjuntos de dados, que podem ser obtidos no PTT-Gossiping-Corpus ou na pasta data deste projeto.

Fofoca-QA-Dataset.txt

Artigos coletados da edição PTT Bagua de 2015 a junho de 2017. Cada linha é um par de perguntas e respostas, e a pergunta e a resposta são separadas por uma seção de guia ( t ), por exemplo

 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

Existem atualmente 418.202 correspondências de perguntas e respostas, mas nem todas as correspondências são válidas porque alguns artigos que não possuem tweets serão marcados como沒有資料(650 no total).

Fofoca-QA-Dataset-2_0.csv

A nova versão do conjunto de dados é expandida de Gossiping-QA-Dataset.txt, adicionando alguns artigos de 2018 e 2019, e contém um total de 774.114 pares de perguntas e respostas. O formato dos dados é ajustado para csv, que contém duas colunas: question e answer . Pode ser facilmente carregado com 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...

Citação

Se você acha que o conjunto de dados é útil para sua pesquisa, cite nosso projeto:

 @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}
}