中文文本分析相关资源汇总
| 项目 | 地址 | 简介 |
|---|---|---|
| jieba分词 | https://github.com/fxsjy/jieba | 中文分词库 |
| multistop | https://github.com/hidadeng/multistop | 停用词表，支持中英法德等15种语言 |
| cnsenti | https://github.com/hidadeng/cnsenti | 中文文本情感分析、情绪分析库 |
| 快速构建专属领域中文情感词典 | https://github.com/hidadeng/wordexpansion | 使用SO_PMI互信息算法简单快速构建不同领域(手机、汽车等)的专业情感词典 |
| eventextraction | https://github.com/hidadeng/eventextraction | 计算文本逻辑性 |
| 中文复杂事件的概念与显式模式 | https://github.com/hidadeng/eventextraction | 中文复合事件的概念与显式模式，包括条件事件、因果事件、顺承事件、反转事件等事件抽取，并形成事理图谱。 |
| 中文信息抽取工具 | https://github.com/fighting41love/cocoNLP | 从中文文本数据中抽取出结构化的信息，如时间、手机号、运营商、邮箱、地址、人名、身份证 |
| 图片识别 | https://github.com/breezedeus/cnocr | 识别出图片中的中文文本 |
| label-studio多媒体标注工具 | https://github.com/heartexlabs/label-studio | 可对文本、图片、音频和视频数据进行标注 |
| 中文可读性 | https://github.com/cdimascio/py-readability-metrics | 可读性算法包括Flesch-Kincaid Grade Level, Gunning Fog, ARI, Dale Chall, SMOG |
| Synonyms | https://github.com/huyingxi/Synonyms | 用于自然语言理解的很多任务：文本对齐，推荐算法，相似度计算，语义偏移，关键字提取，概念提取，自动摘要，搜索引擎等。 |
| SpaCy 中文模型 | https://github.com/howl-anderson/Chinese_models_for_SpaCy | SpaCy 中文模型 |
| Scattertext可视化 | https://github.com/JasonKessler/scattertext | 能否分析出某个类别的文本与其他文本的用词差异；简单修改后可支持中文 |
| HarvestText文本挖掘和预处理工具 | https://github.com/blmoistawinde/HarvestText | 文本挖掘和预处理工具（文本清洗、新词发现、情感分析、实体识别链接、句法分析等），无监督或弱监督（种子词）方法 |
| 开源金融大数据 | https://github.com/PKUJohnson/OpenData | 股票、基金、期货、宏观等金融数据。还有非金融数据，如空气质量、高考录取分、院线票房等非金融数据 |
| 中日韩分词 | https://github.com/jeongukjae/python-mecab | 中日韩分词工具 |
| 汉字数字(中文数字)-阿拉伯数字转换工具 | https://github.com/Wall-ee/chinese2digits | 最好的汉字数字(中文数字)-阿拉伯数字转换工具。 |
| 资源名 | 地址 | 介绍 |
|---|---|---|
| 微信公众号语料库 | https://github.com/SophonPlus/ChineseNlpCorpus | 搜集、整理、发布 中文 自然语言处理 语料/数据集，与 有志之士 共同 促进 中文 自然语言处理 的 发展。 |
| 中文公司名语料库 | https://github.com/wainshine/Company-Names-Corpus | 公司简称,缩写,品牌词,企业名。可用于中文分词、机构名实体识别。 |
| 微信公众号语料库 | https://github.com/nonamestreet/weixin_public_corpus | 数据量3G；纯文本,每行一篇，JSON格式。name是微信公众号名字，account是微信公众号ID，title是题目，content是正文。 |
| 多语言音频数据 | https://voice.mozilla.org/en/datasets | 多种语言音频数据，包括来自42,000名贡献者超过1,400小时的语音样本，涵github |
| 知识问答 | https://github.com/liuhuanyong/MiningZhiDaoQACorpus | 百度知道问答语料库，包括超过580万的问题，938万的答案，5800个分类标签。基于该问答语料库，可支持多种应用，如闲聊问答，逻辑挖掘。 |
| 中文任务基准测评 | https://github.com/CLUEbenchmark/CLUE | 中文语言理解测评基准，包括代表性的数据集、基准(预训练)模型、语料库、排行榜 |
| 中文突发事件语料库 | https://github.com/shijiebei2009/CEC-Corpus | 中文突发事件语料库（Chinese Emergency Corpus）-上海大学-语义智能实验室 |
| 项目名 | 地址 | 简介 |
|---|---|---|
| awesome-knowledge-graph | https://github.com/husthuke/awesome-knowledge-graph | 整理知识图谱相关学习资料 |
| 文档图谱信息可视化 | https://github.com/liuhuanyong/TextGrapher | 输入一篇文档，将文档进行关键信息提取，进行结构化，并最终组织成图谱组织形式，形成对文章语义信息的图谱化展示。 |
| 事件三元组抽取 | https://github.com/liuhuanyong/EventTriplesExtraction | 基于依存句法与语义角色标注的事件三元组抽取 |
| 中文人物关系抽取 | https://github.com/liuhuanyong/PersonRelationKnowledgeGraph | 中文人物关系图谱构建； 基于知识库的数据回标 基于远程监督与bootstrapping方法的人物关系抽取 ；基于知识图谱的知识问答等应用 |
| 证券知识图谱 | https://github.com/lemonhu/stock-knowledge-graph | 利用网络上公开的数据构建一个小型的证券知识图谱/知识库 |
| 大规模中文知识图谱数据 | https://github.com/ownthink/KnowledgeGraphData | 1.4亿中文知识图谱,百度网盘（链接: https://pan.baidu.com/s/1LZjs9Dsta0yD9NH-1y0sAw 提取码: 3hpp ）注：解压密码是：https://www.ownthink.com/ |
| 京东商品知识图谱 | https://github.com/liuhuanyong/ProductKnowledgeGraph | 基于京东网站的1300种商品上下级概念，约10万商品品牌，约65万品牌销售关系，商品描述维度等知识库，基于该知识库可以支持商品属性库构建，商品销售问答，品牌物品生产等知识查询服务，也可用于情感分析等下游应用． |
| 重大事件抽取 | https://github.com/liuhuanyong/ImportantEventExtractor | 针对某一事件话题下的新闻报道集合，通过使用docrank算法，对新闻报道进行重要性识别，并通过新闻报道时间挑选出时间线上重要新闻。 |
如果您是经管人文社科专业背景，编程小白，面临海量文本数据采集和处理分析艰巨任务，可以参看《python网络爬虫与文本数据分析》视频课。作为文科生，一样也是从两眼一抹黑开始，这门课程是用五年时间凝缩出来的。自认为讲的很通俗易懂o(￣︶￣)o，
- python入门
- 网络爬虫
- 数据读取
- 文本分析入门
- 机器学习与文本分析
- 文本分析在经管研究中的应用
感兴趣的童鞋不妨 戳一下《python网络爬虫与文本数据分析》进来看看~
-
公众号：大邓和他的python
