readme.md

数据集说明

Insturct Data

• Belle
• alpaca_gpt4_data_zh
• firefly
• dolly
• Self-Instruct
• YuLan-Chat

高质量对话数据集

• oasst1

• RefGPT

文本分类

新闻分类

• 今日头条中文新闻（文本）分类

情感分析

• Weibo Emotion Corpus

• weibo_senti_100k

自然语言理解

文本相似度

• Product1M
• LCQMC
• BQ CorpusBank Question Corpus （链接同上）
• PAWS-X (中文) （链接同上）
• OCNLI
• LuoTuo

段落排序

• T2Ranking

文本生成

问答数据

• cMedQA

• cMedQA-2

• webMedQA

• baike2018qa

• webtextQA

• wiki_zh 以上三个数据集从nlp_chinese_corpus构造完成

广告文案生成

• 阿里云商品描述文案数据集

• 淘宝119K广告文本

• CEPSUM

• 营销文案生成

代码数据集

• Project_CodeNet

预训练数据

• 悟道 200G
• MNBVC
• 人民日报数据集 ：194603月-201012月 其中2004-2010年数据集缺失标题并有格式混乱的现象。
• Chinese Scientific Literature Dataset

多模态数据

• MMC4