- Notifications
You must be signed in to change notification settings - Fork10
CCNC: A Comprehensive Chinese Name Corpus (3.65M name samples). 大型中文姓名语料库 (内含365万姓名语例)。
License
jaaack-wang/ccnc
Folders and files
| Name | Name | Last commit message | Last commit date | |
|---|---|---|---|---|
Repository files navigation
| 姓名数 (names) | 姓的数量 (last names ) | 名的数量 (first names) | 男性数量 (M) | 女性数量 (F) | 未知性别 (Unknown) |
|---|---|---|---|---|---|
| 3658109 | 808 | 710594 | 2054134 | 1509650 | 94325 |
样图：
由于源文件比较大，这里提供用于为语料库注音的源码。运行源码前，你必须首先将Ch-Last-Names-Dict中的两个json文件下载下来，并与源码放置于同一个文件夹下。或者，你也可以点击这里下载本语料库的三个版本（纯中文版，两个拼音版，一个有声调，另外一个没有声调)。
拼音版的姓，用我自己制作的中文姓氏注音字典标注的；而名的拼音则直接用pypinyin。分开注音的主要原因是，pypinyin对一些罕见姓氏的注音并不很准确。当然，由于某些姓氏可能有多种读音，完全正确的注音是不可能。
做拼音版的主要想法是，拼音版可以用来做英文文献中中文人名(不包括港澳台，这些地方的中文名转英文的规则不一样。)的实体识别。拼音版的全名中，姓和名都用空格隔开。
语料库来自以下两个渠道:
- 姓名大全, 贡献了2513097条语例。抓取代码/Script
- 中文人名语料库, 贡献了1145012条语例。
另外需要注意的是：
- 中文人名语料库的姓名原本不分，这里做了区分。
- 两个来源大约有三十万的重叠语例，都被删减掉了。
- 两个人如果姓名一样，但是性别不一样，在这里也当作两个不同的语例来处理。
- 本语料库的未知性别语例均来自于第二个来源，即中文人名语料库。
中文姓氏拼音字典收集了1606条中文姓氏及其拼音。其中1534条姓氏及其注音抓取自名霸百家姓，剩下的72条则见于本语料库的具体语例，并由我自己手动注音，包括：滕, 刁, 牧, 欧阳, 徐离, 傲, 宾, 博, 采, 恩, 凡, 格, 冠, 好, 昊, 浩, 荷, 恒, 鸿, 湖, 化, 基, 继, 见, 杰, 静, 菊, 俊, 卡, 科, 奎, 立, 丽, 刘付, 绿, 麦, 曼, 美, 梦, 名, 默, 沐, 娜, 乃, 尼, 日, 如, 润, 若, 上, 升, 桃, 天, 拓, 旺, 未, 溪, 夏候, 湘, 晓, 雄, 雅, 岩, 彦, 艳, 依, 远, 悦, 忠, 珠。
中文姓氏博大精深。通过构建这个姓氏注音字典，我第一次了解到有的人姓：第，第一，第三，第四，第五，第六，第七，第八...稍微以某字 + “姓“查了下百度，罕见的姓确实能罕见得超乎想象。
这里提供一段简单的代码将ccnc语料库切分成训练集，测试集和预测集。默认的切分比例为6:2:2，这个是针对全汉字版的已经切分好的压缩文件。切分两个拼音版的语料库可以如法炮制。