业余项目“萌名(一个基于语料库技术的取名工具)”的副产品。不定期更新。只删词,不加词。
可用于中文分词、人名识别。
中文常见人名(Chinese_Names_Corpus)
120万。从亿级人名语料中提取。删除了罕见姓氏、和带生僻字的人名。随机删除了部分名人姓名(一点点小私心)。
中文古代人名(Ancient_Names_Corpus)
25万。多个人名词典汇总。删除了罕见姓氏、和带生僻字的人名。
日文人名(Japanese_Names_Corpus)
18万。从维基百科中提取。删除了罕见姓氏、和带生僻字的人名。
数据清洗过程相见,“日本人名数据清洗分享”。
翻译人名(English_Cn_Name_Corpus)
48万。多个人名词典汇总。删除了翻译人名常用字之外的人名。混有少量西化中文人名,如“李伯恩”。清洗后仍存有少量badcase,尤其是英文地名。
中文姓氏(Chinese_Family_Name)
1千。从亿级人名语料中提取。删除了罕见姓氏,复姓只保留了“欧阳”。
中文称呼(Chinese_Relationship)
5千。称呼词根。多个人名词典汇总。删除了部分带贬义的称呼。
18万。中文称呼。多个人名词典汇总。清洗后仍存有大量badcase。
成语词典(ChengYu_Corpus)
5万。多个成语词典汇总。
请勿提交涉政issue:
惹不起呀,谢谢~
语料中还存有的,会在后续的更新中逐步删除掉。
更新时间:
更早的提交,不记得时间了。
删除了1000余非人名。 -2017.08.08
删除了5000余非人名。 -2017.11.25
新增了18万日文人名。 -2017.12.17
删除了1500余非人名(主要是日文地名)。 -2017.12.30
删除了约3万余非人名、或低频人名。 -2018.11.04
删除了2600余非人名、或低频人名。 -2019.04.15
@萌名 整理
2019.05.14