中文人名语料库(Chinese-Names-Corpus)
业余项目“萌名NameMoe(一个基于语料库技术的取名工具)”的副产品。
不定期更新。只删词,不加词。
可用于中文分词、人名识别。
请勿将本库打包上传其他网站挣积分,已上传的请配合删除,谢谢!
中文常见人名(Chinese_Names_Corpus)
数据大小:120万。
语料来源:从亿级人名语料中提取。
数据清洗:已清洗,但仍存有少量badcase。
新增人名生成器。
中文古代人名(Ancient_Names_Corpus)
数据大小:25万。
语料来源:多个人名词典汇总。
数据清洗:已清洗。
中文姓氏(Chinese_Family_Name)
数据大小:1千。
语料来源:从亿级人名语料中提取。
数据清洗:已清洗。
中文称呼(Chinese_Relationship)
数据大小:5千,称呼词根;18万,中文称呼。
语料来源:多个人名词典汇总。
数据清洗:已清洗,但仍存有大量badcase。
英文人名语料库(English-Names-Corpus)
翻译人名(English_Cn_Name_Corpus)
数据大小:48万。
语料来源:多个人名词典汇总。
数据清洗:已清洗,但仍存有少量badcase,以地名居多。
本语料的人名识别由网友 “ltccss” 友情提供。
日文人名语料库(Japanese_Names_Corpus)
日文人名(Japanese_Names_Corpus)
数据大小:18万。
数据来源:从维基百科中提取。
数据清洗:已清洗,但仍存有少量badcase。
数据清洗过程详见:“日本人名数据清洗分享”。
中文词典语料库(Chinese_Dict_Corpus)
成语词典(ChengYu_Corpus)
数据大小:5万。
语料来源:多个成语词典汇总。
数据清洗:已清洗。
提醒与备注
请勿提交涉政issue:
惹不起呀,谢谢~
语料中还存有的,会在后续的更新中逐步删除掉。
Stargazers over time
更新时间:
更早的提交,不记得时间了。
删除了1000余非人名。 -2017.08.08
删除了5000余非人名。 -2017.11.25
新增了18万日文人名。 -2017.12.17
删除了1500余非人名(主要是日文地名)。 -2017.12.30
删除了约3万余非人名、或低频人名。 -2018.11.04
删除了2600余非人名、或低频人名。 -2019.04.15
删除了约1万余非人名、或低频人名。 -2019.07.27
将文件移动到文件夹。 -2019.10.21
新增人名生成器。 -2020.01.29
@萌名NameMoe 整理
2020.01.29