Gossiping-Chinese-Corpus

用PTT八卦版海量问答，训练接地气的中文聊天机器人。

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署 对话助手 🍴 复刻 36 👀 关注 11
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 248
维护状态 低维护
是否开源 开源
定价模式 🏷️完全免费 开源数据集，Apache-2.0许可，完全免费，可自由下载使用。

项目预览

Gossiping-Chinese-Corpus 项目界面预览图
图片来源：GitHub 官方仓库名片

项目数据

分类对话助手
开发团队zake7749
官网地址https://www.kaggle.com/zake7749/pttgossipingcorpus
GitHubhttps://github.com/zake7749/Gossiping-Chinese-Corpus
定价模式🏷️完全免费
价格说明开源数据集，Apache-2.0许可，完全免费，可自由下载使用。
访问状态🔧 仅开源项目，无在线服务，需自行部署
是否开源是
开源协议Apache-2.0
主要语言Jupyter Notebook
技术栈/模型chatbot,chatbot-corpus,chinese-chatbot,chinese-corpus,chinese-dataset,chinese-nlp,corpus,dataset,dialog,ptt,question-answering
GitHub 星标★ 248
上线时间2017-06-28 00:00:00
代码更新2024-10-18
仓库体积119.1 MB
本站数据更新2026-11-10
维护状态低维护
收录时间2026-08-09
浏览次数5

项目介绍

这是一个从台湾PTT八卦版抓取并整理的问答中文语料库，用于训练中文聊天机器人。项目将论坛中的帖子标题作为问题、回帖内容作为回答，构建了大规模的中文对话数据集，解决了中文闲聊语料稀缺的问题。核心能力包括提供清洗后的结构化数据、支持多种数据格式、以及配套的预处理脚本。数据量较大，覆盖社会、娱乐、生活等多元话题，风格口语化且带有网络用语，适合训练风格活泼的对话模型。项目早期由社区维护，数据持续更新，为中文NLP研究者和开发者提供了便捷的语料获取途径。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 248

核心亮点

  • 数据源自真实论坛，口语化强，贴近日常聊天场景
  • 数据量充足，话题覆盖广，便于训练多样化的对话模型
  • 提供清洗和预处理流程，降低使用门槛

不足之处

  • 数据包含大量网络俚语和敏感内容，需额外过滤
  • 文档/社区待观察

适用场景

  • 训练中文闲聊型聊天机器人
  • 构建中文对话系统的预训练语料
  • 研究网络语言和社交媒体文本分析

替代项目

DuConv、LCCC、THUCNews

上一篇：Chatette

下一篇：awesome-NLP-resources

同类项目推荐

split-folders 开源

一行命令把图片文件夹拆成训练验证测试集

Split folders with files (i.e. images) into training, validation and test (dataset) ···

★ 425 2026-10-16
labelme 开源

手动图像标注，快速生成训练数据集

Image annotation with Python. Supports polygon, rectangle, circle, line, point, and ···

★ 16302 2026-08-10
alice 开源

把杂乱图片整理成可直接训练的 YOLO 数据集

Analyse · Learn · Ingest · Curate · Export — AI-powered YOLO dataset management···

★ 411 2026-10-31
tfrecord 开源

不装 TensorFlow 也能读写 TFRecord，直接接 PyTorch

Standalone TFRecord reader/writer with PyTorch data loaders

★ 901 2026-11-06
imbalanced-dataset-sampler 开源

一行替换采样器，让少数类不再被模型忽略

A (PyTorch) imbalanced dataset sampler for oversampling low frequent classes and und···

★ 2325 2026-10-19
ml-hypersim 开源

用苹果合成室内数据，低成本训出强场景理解模型

Hypersim: A Photorealistic Synthetic Dataset for Holistic Indoor Scene Understanding

★ 2070 2026-09-21
diffusiondb 开源

百万真实提示词数据，让 AI 生成更可控

A large-scale text-to-image prompt gallery dataset based on Stable Diffusion

★ 1408 2026-08-09
DataFlow 开源

用 LLM 算子搭流水线，把脏数据一键变成训练集

[SIGMOD'27] Easy Data Preparation with latest LLMs-based Operators and Pipelines.

★ 8516 2026-09-16