國內可用免費語料庫

(一) 國家語委

現代漢語通用平衡語料庫現在重新開放網路查詢了。重開後的在線檢索速度更快，功能更強，同時提供檢索結果下載。現代漢語語料庫在線提供免費檢索的語料約2000萬字，為分詞和詞性標註語料。

網站現在還增加了一億字的古代漢語生語料，研究古代漢語的也可以去查詢和下載。同時，還提供了分詞、詞性標註軟體、詞頻統計、字頻統計軟體，基於國家語委語料庫的字頻詞頻統計結果和發布的詞表等，以供學習研究語言文字的老師同學使用。

(二) 北京大學計算語言學研究所

1《人民日報》標註語料庫http://www.icl.pku.edu.cn/icl_res/

《人民日報》標註語料庫中一半的語料(1998年上半年)共1300萬字已經通過《人民日報》新聞信息中心公開提供許可使用權。其中一個月的語料(1998年1月)近200萬字在互聯網上公布，供自由下載。

(三) 北京語言大學

漢語國際教育技術研發中心：HSK動態作文語料庫http://202.112.195.192:8060/hsk/login.asp

語言研究所：北京口語語料查詢系統（B J K Y）http://www.blcu.edu.cn/yys/6_beijing/6_beijing_chaxun.asp

（四）台灣中央研究院

中研院語料庫ＷＷＷ版所有功能均開放使用，但為防主機資源耗用過劇及顧及數據傳輸之實際限制，暫以檢索結果為限制的條件：院內檢索限兩萬行數據，院外檢索限兩千行數據。

1現代漢語平衡語料庫http://www.sinica.edu.tw/SinicaCorpus/

專 門針對語言分析而設計的，每個文句都依詞斷開，並標示詞類。語料的搜集也盡量做到現代漢語分配在不同的主題和語式上，是現代漢語無窮多的語句中一個代表性 的樣本。現有語料庫主要針對語言分析而設計，由中央研究院信息所、語言所詞庫小組完成，內含有簡介、使用說明，現行的語料庫是4.0的版本。

2古漢語語料庫http://www.sinica.edu.tw/ftms-bin/ftmsw

古漢語語料庫包含以下五個語料庫: 上古漢語、中古漢語(含大藏經)、近代漢語、其他、出土文獻。部分數據取自史語所漢籍全文資料庫，故兩者間略有重迭。此語料庫之出土文獻語料庫，全部取自史語所漢簡小組所製作的資料庫。

3近代漢語標記語料庫http://www.sinica.edu.tw/Early_Mandarin/

為 應漢語史研究需求而建構的語料庫。目前素語料庫所搜集的語料已含蓋上古漢語（先秦至西漢）、中古漢語（東漢魏晉南北朝）、近代漢語（唐五代以後）大部分的 重要語料，並己陸續開放使用；在標記語料庫方面，上古漢語及近代漢語都已有部分語料完成標註的工作，並視結果逐步提供上線檢索。

「中文句結構樹資料庫」(Sinica Treebank Version 3.0) 包含了6個檔案，61,087個中文樹圖，361,834個詞，是中央研究院詞庫小組從中央研究院平衡語料庫 (Sinica Corpus) 中抽取句子，經由電腦剖析成結構樹，並加以人工修正、檢驗後所得的成果。在中文句結構樹中，我們標示了中文句語意和語法的訊息。此一「中文句結構樹資料庫」目前開放網上檢索及資料移轉，以供學者專家在中文句法、語意關係研究參考之用。另有1000個句結構樹開放下載。

結合詞網，知識本體，與領域標記的辭彙知識庫。

7文國尋寶記http://www.sinica.edu.tw/wen/

在搜文解字的基礎之上，以華語文學習者為對象，進一步將字、詞、音的檢索功能與國編、華康、南一等三種版本的國小國語課本結合，與唐詩三百首、宋詞三百首、紅樓夢、水滸傳等文學典籍結合，提供網路上國語文學習的素材。

8唐詩三百首http://cls.admin.yzu.edu.tw/300/

以 國中、小學學生為主要使用對象，提供吟唱、繪畫、書法等多媒體數據，文字數據報含作者生平、讀音標註、翻譯、批註、評註、典故出處等資料；檢索點包含作 者、詩題、詩句、綜合資料、體裁分類等；檢索結果可以列出全文，並選擇標示相關之文字及多媒體數據。並提供了一套可以自動檢查格律、韻腳、批改的「依韻入 詩格律自動檢測索引教學系統」，協助孩子們依韻作詩，協助教師批改習作。

9漢籍電子文獻http://www.sinica.edu.tw/~tdbproj/handy1/

包含整部25史 整部阮刻13經、超過2000萬字的台灣史料、1000萬字的大正藏以及其他典籍。

10紅樓夢網路教學研究數據中心http://cls.hs.yzu.edu.tw/HLM/home.htm

元智大學中國文學網路系統研究室所開發的「網路展書讀—中國文學網路系統」，為研究中心負責人羅鳳珠老師主持，紅樓夢是其中一個子系統，其他還包括善本書、詩經、唐宋詩詞、作詩填詞等子系統。此網站為國內Internet最大中國文學研究資料庫，提供用戶最完整的中國文學研究數據。

（五）中國傳媒大學

1中國傳媒大學文本語料庫檢索系統

http://ling.cuc.edu.cn/RawPub/

2在線分詞標註系統

http://ling.cuc.edu.cn/cucseg/

3新詞語研究資源庫

http://ling.cuc.edu.cn/newword/web/index.asp

4音視頻語料檢索系統

http://ling.cuc.edu.cn/mmcpub（目前系統正在升級改造中）

（六）哈爾濱工業大學

1哈工大信息檢索研究室對外共享語料庫資源//ir.hit.edu.cn/demo/ltp/Sharing_Plan.htm

該語料庫為漢英雙語語料庫，10萬對齊雙語句對，文本文件格式，同義詞詞林擴展版，77,343條詞語，秉承《同義詞詞林》的編撰風格，同時採用五級編碼體系，多文檔自動文摘語料庫，40個主題，文本文件格式，同一主題下是同一事件的不同報道，漢語依存樹庫，不帶關係5萬句，帶關係1萬句，LTML化，分詞、詞性、句法部分人工標註，可以圖形化查看，問答系統問題集，6264句，已標註問題類型，LTML化，分詞、詞性、句法、詞義、淺層語義等程序處理得到，單文檔自動文摘語料庫，211篇，分不同體裁，LTML化，文摘句標註，分詞、詞性、句法、詞義、淺層語義、文本分類、指代消解等程序處理得到。

（七）清華大學

漢語均衡語料庫TH-ACorpus：http://www.lits.tsinghua.edu.cn/ainlp/source.htm（似乎在改版，一直上不去）

（八）香港教育學院

自1995年開始，以「共時」方式處理了超常的大量漢語語料，通過精密的技術，累積眾多精確的統計數據，建立了LIVAC (Linguistic Variation in Chinese Speech Communities)共時語料庫。 本語料庫最大特點是採用「共時性」視窗模式，嚴謹地定時分別收集來自多地的定量同類語料，可供各種客觀的比較研究，方便有關的信息科技發展與應用。此外，語料庫又兼顧了「歷時性」，方便各方人士客觀地觀察與研究視窗內的有代表性的語言發展全面動態。

（九）中國科學院計算技術研究所

跨語言語料庫http://mtgroup.ict.ac.cn/new/resource/index.php（目前不可用，不知道是否在升級）

目前的雙語句對資料庫中有約180,000對已對齊的中英文句子。 本資料庫支持簡單的中英文查詢服務。 查詢結果包括句對編號、中文句子、英文句子、句對來源。

（十）中文語言資源聯盟

(Chinese Linguistic Data Consortium,簡稱ChineseLDC)的建立。ChineseLDC是吸收國內高等院校,科研機構和公司參加的開放式語言資源聯盟。其目的是建成能代表當今中文信息處理水平的,通用的中文語言信息知識庫。ChineseLDC 將建設和收集中文信息處理所需要的各種語言資源,包括詞典,語料庫,數據,工具等。在建立和收集語言資源的基礎上,分發資源,促成統一的標準和規範,推薦給用戶,並且針對中文信息處理領域的關鍵技術建立評測機制,為中文信息處理的基礎研究和應用開發提供支持。（之所以排名這麼後，是因為是國家出錢的項目，卻沒有什麼免費資源）

【網站】

HSK動態作文語料庫 http://202.112.195.192:8060/hsk/login.asp

北京口語語料查詢系統 http://www.blcu.edu.cn/yys/6_beijing/6_beijing_chaxun.asp

現代漢語平衡語料庫 http://rocling.iis.sinica.edu.tw/new/20corpus.htm

蘭開斯特漢語語料庫 http://ling.cass.cn/dangdai/LCMC/LCMC.htm

洛杉磯加州大學漢語語料庫 http://www.lancs.ac.uk/fass/projects/corpus/UCLA/

歡迎關注新浪微博【對外漢語北京】

中文句結構樹資料庫 http://turing.iis.sinica.edu.tw/treesearch/

搜狗文本分類語料庫 http://www.sogou.com/labs/dl/c.html

哈工大信息檢索研究室對外共享語料庫 //ir.hit.edu.cn/demo/ltp/Sharing_Plan.htm

傳媒大學文本語料庫 http://ling.cuc.edu.cn/RawPub/

詞語研究資源庫 對外漢語北京 http://ling.cuc.edu.cn/newword/web/index.asp

BFSU CQPweb多語言在線語料庫檢索平台 http://www.iresearch.ac.cn/paper/detail.php?ItemID=6358

英漢雙語平行語料庫 http://www.luweixmu.com/ec-corpus/

babel 漢英平行語料庫 //icl.pku.edu.cn/icl_groups/parallel/default.htm

中國法律法規漢英平行語料庫（大陸） http://corpus.zscas.edu.cn/lawcorpus1/index.asp

Google《紐約時報》標註數據集

Google公布了一個《紐約時報》標註數據集: http://t.cn/RPsjAyl 訓練集包括100,834文件，19,261,118標註實體。 測試集合包括9,706文件，187,080標註實體。Google Code項目鏈接: http://t.cn/RPsjAyl

360萬中文詞庫包含，詞性，詞頻

來源：互聯網。共有詞條3669276個。統計了每個詞條的詞頻以及詞性信息。盡請down。。 下載地址：http://pan.baidu.com/s/1gdBtsTP 提取碼：7s4j

1-billion-word-language-modeling-benchmark 1.67G

1-billion-word-language-modeling-benchmark-r13output.tar 語言模型詞語搭配語料 鏈接: http://pan.baidu.com/s/1o6jZOtc 密碼: x4sb

某購物網站6w多的商品數據

某購物網站6w多的商品數據。鏈接: http://pan.baidu.com/s/1o6DgcNS 密碼: vi4l 包括商品名稱價錢。以及圖片鏈接地址分類id

來源：http://www.cnblogs.com/mo-wang/p/4444858.html

*量化投資與對沖基金*第十二期實戰班

全面了解FOF組合基金

從入門到精通程序化交易

運用阿爾法套利與統計套利實戰

MATLAB在量化投資中的具體應用

CTA多因子策略分析與資金管理方案探討

如何打造實戰性量化投資策略

波動率量化交易

組合課程，一網打盡

2017.10.20—2017.10.22 上海

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 大數據實驗室 的精彩文章: