|
--- |
|
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(这个数据集好像很多标签是错的,不建议使用。) | [ChineseSTS](https://huggingface.co/datasets/tiansz/ChineseSTS) | |
|
| ccks2018_task3 | 汉语 | [BQ_corpus](http://icrc.hitsz.edu.cn/info/1037/1162.htm); [CCKS2018_3](https://www.biendata.xyz/competition/CCKS2018_3/data/) | TRAIN: 100K, VALID: 10K, TEST: 10K | CCKS 2018 微众银行智能客服问句匹配大赛 | [BQ_corpus](https://github.com/IceFlameWorm/NLP_Datasets/tree/master/BQ_corpus) | |
|
| 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](http://icrc.hitsz.edu.cn/Article/show/171.html); [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。 | [ATEC](https://huggingface.co/datasets/shibing624/nli_zh); [ATEC](https://github.com/IceFlameWorm/NLP_Datasets/tree/master/ATEC) | |
|
| 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(VALID 集没有 label) | | |
|
| COVID-19 | 汉语 | [COVID-19](https://tianchi.aliyun.com/competition/entrance/231776/information) | | 天池新冠疫情相似句对判定大赛 | [COVID-19](https://gitee.com/liangzongchang/COVID-19-sentence-pair/) | |
|
| Chinese-MNLI | 汉语 | [Chinese-MNLI](https://github.com/pluto-junzeng/CNSD) | TRAIN: 390K, VALID: 12K, TEST: 13K | 通过翻译加部分人工修正的方法,从英文原数据集生成(原数据是:蕴含,中性,冲突,的句子推理数据集,已转换为句子对)。 | | |
|
| Chinese-SNLI | 汉语 | [Chinese-SNLI](https://github.com/pluto-junzeng/CNSD) | TRAIN: 550K, VALID: 10K, TEST: 10K | 通过翻译加部分人工修正的方法,从英文原数据集生成(原数据是:蕴含,中性,冲突,的句子推理数据集,已转换为句子对)。 | | |
|
| OCNLI | 汉语 | [OCNLI](https://github.com/CLUEbenchmark/OCNLI) | TRAIN: 50K, VALID: 3K, TEST: 3K | 原生中文自然语言推理数据集,是第一个非翻译的、使用原生汉语的大型中文自然语言推理数据集。 | | |
|
| STS-B | 汉语 | [STS-B](https://adapterhub.ml/explore/sts/sts-b/); [STS Benchmark](https://ixa2.si.ehu.eus/stswiki/index.php/STSbenchmark) | TRAIN: 5749, VALID: 1500, TEST: 1379 | 语义文本相似性基准测试 | [STS-B](https://pan.baidu.com/s/10yfKfTtcmLQ70-jzHIln1A?pwd=gf8y#list/path=%2F); [STS-B](https://huggingface.co/datasets/shibing624/nli_zh/viewer/STS-B) | |
|
| PAWSX-ZH | 汉语 | [PAWSX](https://paperswithcode.com/paper/paws-x-a-cross-lingual-adversarial-dataset/review/) | TRAIN: 49.4K, VALID: 2K, TEST: 2K | 从 PAWSX翻译成中文的数据集 | [PAWSX](https://pan.baidu.com/share/init?surl=ox0tJY3ZNbevHDeAqDBOPQ&pwd=mgjn); [PAWSX](https://huggingface.co/datasets/shibing624/nli_zh/viewer/PAWSX) | |
|
|
|
|
|
## 样本示例 |
|
|
|
**ChineseSTS:** 这个数据集好像很多标签是错的,不建议使用。 |
|
```text |
|
`穆斯林认为伊斯兰教的先知(`, `)是被真主挑选成为他的信使的人物。`, `1` |
|
`咱俩谁跟谁呀。`, `我们俩谁跟谁呀。`, `1` |
|
`咱俩谁跟谁呀。`, `咱俩关系很好。`, `0` |
|
`他买了王教授一本书。`, `他买了王教授的书。`, `0` |
|
``` |
|
|
|
**ccks2018_task3:** |
|
```text |
|
`用微信都6年,微信没有微粒贷功能`, `4。 号码来微粒贷`, `0` |
|
`微信消费算吗`, `还有多少钱没还`, `0` |
|
`为什么借款后一直没有给我回拨电话`, `怎么申请借款后没有打电话过来呢!`, `1` |
|
`已经在银行换了新预留号码。`, `已经在银行换了新预留号码。`, `1` |
|
``` |
|
|
|
**DIAC2019:** 这个数据集像是从分类数据集组合而来,有很多句子是重复的。 |
|
```text |
|
`人民法院不予受理的民事案件有哪些情形?`, `民事诉讼什么情况下不能立案`, `0` |
|
`民事诉讼中对哪些情形的起诉法院不予受理`, `人民法院不予受理的民事案件有哪些情形?`, `1` |
|
`民事诉讼中对哪些情形的起诉法院不予受理`, `哪些案件会给开具民事诉讼不予立案通知书`, `0` |
|
`民事诉讼中对哪些情形的起诉法院不予受理`, `哪些情形下,不予受理民事诉讼申请?`, `1` |
|
``` |
|
|
|
**LCQMC:** |
|
```text |
|
`喜欢打篮球的男生喜欢什么样的女生`, `爱打篮球的男生喜欢什么样的女生`, `1` |
|
`我手机丢了,我想换个手机`, `我想买个新手机,求推荐`, `1` |
|
`大家觉得她好看吗`, `大家觉得跑男好看吗?`, `0` |
|
`求秋色之空漫画全集`, `求秋色之空全集漫画`, `1` |
|
``` |
|
|
|
**AFQMC:** |
|
```text |
|
`蚂蚁借呗等额还款可以换成先息后本吗`, `借呗有先息到期还本吗`, `0` |
|
`蚂蚁花呗说我违约一次`, `蚂蚁花呗违约行为是什么`, `0` |
|
`支付宝系统点我的里面没有花呗这一项`, `我下载支付宝怎么没有花呗的`, `1` |
|
`花呗消费超过额度有什么影响吗`, `花呗额度成负数有啥影响吗`, `1` |
|
``` |
|
|
|
**BUSTM:** |
|
```text |
|
`叫爸爸叫一声我听听`, `那你叫我一声爸爸`, `1` |
|
`十亿韩元等于多少人民币`, `一百元人民币`, `0` |
|
`我喜欢你那你喜欢我吗`, `你喜欢我不我也喜欢你`, `0` |
|
`你晚上吃了什么`, `你晚上吃啥了`, `1` |
|
``` |
|
|
|
**CHIP2019:** 这个数据集的 validation 子集没有标签。 |
|
```text |
|
`艾滋病窗口期会出现腹泻症状吗`, `头疼腹泻四肢无力是不是艾滋病`, `0` |
|
`由于糖尿病引起末梢神经炎,怎么根治?`, `糖尿病末梢神经炎的治疗方法`, `1` |
|
`H型高血压,是通所说的高血脂?`, `高血压引起脑出血怎么抢救治疗`, `0` |
|
`你好,我60岁,患高血压,80135,爱喝酸奶可以吗?`, `高血压糖尿病人可以喝牛奶吗?`, `1` |
|
``` |
|
|
|
**COVID-19:** |
|
```text |
|
`剧烈运动后咯血,是怎么了?`, `剧烈运动后咯血是什么原因?`, `1` |
|
`剧烈运动后咯血,是怎么了?`, `剧烈运动后为什么会咯血?`, `1` |
|
`剧烈运动后咯血,是怎么了?`, `剧烈运动后咯血,应该怎么处理?`, `0` |
|
`剧烈运动后咯血,是怎么了?`, `剧烈运动后咯血,需要就医吗?`, `0` |
|
`剧烈运动后咯血,是怎么了?`, `剧烈运动后咯血,是否很严重?`, `0` |
|
``` |
|
|
|
**Chinese-MNLI:** |
|
```text |
|
`从概念上讲,奶油略读有两个基本维度-产品和地理。`, `产品和地理位置是使奶油撇油起作用的原因。`, `0` |
|
`我们的一个号码将执行您的指示。`, `我的一个队员会非常精确地执行你的命令。`, `1` |
|
`怎么又知道了?这又是他们的信息。`, `这些信息属于他们。`, `1` |
|
`同性恋。`, `异性恋者。`, `0` |
|
``` |
|
|
|
**STS-B:** 这个数据集原本是 0-5 的相似度打分,我把它转换为 >=3 的为相似,其它为不相似。这可能会导致一些问题。 |
|
```text |
|
`一架飞机要起飞了。`, `一架飞机正在起飞。`, `1` |
|
`一个男人在吹一支大笛子。`, `一个人在吹长笛。`, `1` |
|
`一个人正把切碎的奶酪撒在比萨饼上。`, `一个男人正在把切碎的奶酪撒在一块未煮好的比萨饼上。`, `1` |
|
`三个人在下棋。`, `两个人在下棋。`, `0` |
|
`一个男人在抽烟。`, `一个男人在滑冰。`, `0` |
|
`一个女人在写作。`, `一个女人在游泳。`, `0` |
|
``` |
|
|
|
**PAWSX-ZH:** PAWSX 是一个文本释义的数据集,感觉难度较大,可能不适合用于 FAQ 相似问匹配的任务。 |
|
```text |
|
`1975年的NBA赛季 - 76赛季是全美篮球协会的第30个赛季。`, `1975-76赛季的全国篮球协会是NBA的第30个赛季。`, `1` |
|
`当可以保持相当的流速时,结果很高。`, `当可以保持可比较的流速时,结果很高。`, `1` |
|
`kBox有助于等长和同心收缩以及离心训练。`, `kBox有助于偏心以及同心收缩和等长训练。`, `0` |
|
`例如,要输入长度为4厘米的垂直线,绘制就足够了:`, `例如,为了绘制4厘米长的垂直线,只需键入:`, `0` |
|
``` |
|
|
|
## 数据来源 |
|
<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 |
|
|
|
https://huggingface.co/datasets/shibing624/nli_zh |
|
</code></pre> |
|
</details> |
|
|