File size: 2,587 Bytes
bc9c5ff 3e3c6c3 bc9c5ff 3e3c6c3 f6b30cb f0c0724 f6b30cb 3e3c6c3 f6b30cb 3e3c6c3 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 |
---
license: apache-2.0
task_categories:
- sentence-similarity
language:
- zh
- en
size_categories:
- 100M<n<1B
---
## 句子对数据集
数据集从网上收集整理如下:
| 数据 | 语言 | 原始数据/项目地址 | 样本个数 | 原始数据描述 | 替代数据下载地址 |
| :--- | :---: | :---: | :---: | :---: | :---: |
| ChineseSTS | 汉语 | [ChineseSTS](https://github.com/IAdmireu/ChineseSTS) | 24.7K | STS 中文文本语义相似度（使用时注意打乱数据集） | [ChineseSTS](https://huggingface.co/datasets/tiansz/ChineseSTS) |
| ccks2018_task3 | 汉语 | [CCKS2018_3](https://www.biendata.xyz/competition/CCKS2018_3/data/) | 100K | CCKS 2018 微众银行智能客服问句匹配大赛 | |
| DIAC2019 | 汉语 | [DIAC2019](https://www.biendata.xyz/competition/2019diac/data/) | 6K | 以问题组的形式提供，每组问句又分为等价部分和不等价部分，等价问句之间互相组合可以生成正样本，等价问句和不等价问句之间互相组合可以生成负样本。我们提供6000组问句的训练集。 | |
| LCQMC | 汉语 | [LCQMC](https://www.luge.ai/#/luge/dataDetail?id=14); [C18-1166.pdf](https://aclanthology.org/C18-1166.pdf) | TRAIN: 238766, VALID: 8802, TEST: 12500 | 百度知道领域的中文问题匹配数据集，目的是为了解决在中文领域大规模问题匹配数据集的缺失。该数据集从百度知道不同领域的用户问题中抽取构建数据。| [lcqmc_data](https://github.com/xiaohai-AI/lcqmc_data) |
| AFQMC | 汉语 | [AFQMC](https://tianchi.aliyun.com/dataset/106411) | TRAIN: 34334, VALID: 4316, TEST: 3861 | 蚂蚁金融语义相似度数据集，用于问题相似度计算。即：给定客服里用户描述的两句话，用算法来判断是否表示了相同的语义。 | |
| BUSTM | 汉语 | [BUSTM](https://tianchi.aliyun.com/competition/entrance/531851/information); [BUSTM](https://github.com/xiaobu-coai/BUSTM) | 总样本数为：177173，其中，匹配样本个数为：54805，不匹配样本个数为：122368 | 小布助手对话短文本语义匹配比赛数据集 | [BUSTM](https://github.com/CLUEbenchmark/FewCLUE/tree/main/datasets/bustm) |
| CHIP2019 | 汉语 | [CHIP2019](https://www.biendata.xyz/competition/chip2019/) | 2万 | 平安医疗科技疾病问答迁移学习比赛数据集 | |
<details>
<summary>参考的数据来源,展开查看</summary>
<pre><code>
https://github.com/liucongg/NLPDataSet
https://huggingface.co/datasets/tiansz/ChineseSTS
https://zhuanlan.zhihu.com/p/454173790
</code></pre>
</details>
|