Datasets for Training Chatbot System
本项目收集了一些从网络中找到的用于训练中文（英文）聊天机器人的对话语料

搜集到的一些数据集如下，点击链接可以进入原始地址

1. dgk_shooter_min.conv.zip
   中文电影对白语料，噪音比较大，许多对白问答关系没有对应好

2. The NUS SMS Corpus
   包含中文和英文短信息语料，据说是世界最大公开的短消息语料

3. ChatterBot中文基本聊天语料
   ChatterBot聊天引擎提供的一点基本中文聊天语料，量很少，但质量比较高

4. Datasets for Natural Language Processing
   这是他人收集的自然语言处理相关数据集，主要包含Question Answering，Dialogue Systems， Goal-Oriented Dialogue Systems三部分，都是英文文本。可以使用机器翻译为中文，供中文对话使用

5. 小黄鸡
   据传这就是小黄鸡的语料：xiaohuangji50w_fenciA.conv.zip （已分词） 和 xiaohuangji50w_nofenci.conv.zip （未分词）

6. 白鹭时代中文问答语料
   由白鹭时代官方论坛问答板块10,000+ 问题中，选择被标注了“最佳答案”的纪录汇总而成。人工review raw data，给每一个问题，一个可以接受的答案。目前，语料库只包含2907个问答。(备份)

7. Chat corpus repository
   chat corpus collection from various open sources
   包括：开放字幕、英文电影字幕、中文歌词、英文推文

8. 保险行业QA语料库
   通过翻译 insuranceQA产生的数据集。train_data含有问题12,889条，数据 141779条，正例：负例 = 1:10； test_data含有问题2,000条，数据 22000条，正例：负例 = 1:10；valid_data含有问题2,000条，数据 22000条，正例：负例 = 1:10

这部分语料，网络上有所流传，但由于我们能力所限，或者原作者并未公开，暂时未获取。只是列举出来，供以后继续搜寻。

1. 微软小冰

所有原始语料归原作者所有

何云超
weibo: @Yunchao_He