优质中文NLP资源集合，做项目一定用得到！
整理 | Jane
出品 | AI科技大本营（公众号id：rgznai100）
今天要给大家在推荐 Github 上一个优质的中文 NLP 工具和资源集合项目——funNLP，已经获得了 5.3k Stars，1k+ Forks。
项目作者 杨洋，一枚水博&互联网民工，目前主要从事文本分类，信息抽取等自然语言处理研发工作；兴趣包括：语言资源构建、信息抽取与知识图谱、舆情分析等。喜欢分享一些小知识，设有知乎专栏《机器学习小知识》
作者把自己使用的一些资源或工具包整理成这个集合项目，并且会不断更新。项目已经里面不乏很多有用和有趣的内容，包含 50 多个资源或工具，比如很多有用的词库：中英文敏感词、暴恐词表、文人名库、中文缩写库、停用词、公司名字大全、成语词库、地名词库百度中文问答数据集......非常值得学习研究 NLP 项目的同学们收藏！
除了几十个的优质资源汇总外，作者的另一个中文 NLP 工具包——coco NLP，也很实用，目前应用在寻找失踪人口项目中。通过这个工具包，大家可以直接从文本信息中抽取一些基本信息，比如手机号、邮箱、手机归属地、时间点、地址和一些词组信息。
0.先给大家 coco NLP 工具的地址：
https://github.com/fighting41love/cocoNLP
因为这个工具里也包含了第一个项目中提到的一些资源，下面我们所列的其他资源，就不再列出重复资源的地址了，比如：phone 中国手机归属地查询、抽取email的正则表达式、抽取phone_number的正则表达式、人名语料库、时间抽取等。
营长列出了其他一些主要资源的地址，大家还可以从文章最后给出的项目地址中访问更多。也感谢开源这些资源的作者，如果下面有提到你的项目，欢迎给我们留言，让营长发现可爱的你们~
1. textfilter: 中英文敏感词过滤
https://github.com/observerss/textfilter
2. langid：97种语言检测
https://github.com/saffsd/langid.py
3. langdetect：检测另一种语言
https://code.google.com/archive/p/language-detection/
4. phone国际手机、电话归属地查询：
https://github.com/AfterShip/phone
6. ngender：根据名字判断性别，基于朴素贝叶斯计算的概率
https://github.com/observerss/ngender
7.抽取身份证号的正则表达式
IDCards_pattern = r'^([1-9]\d{5}[12]\d{3}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])\d{3}[0-9xX])$'
IDs = re.findall(IDCards_pattern, text, flags=0)
8.中文缩写库
https://github.com/zhangyics/Chinese-abbreviation-dataset/blob/master/dev_set.txt
9.汉语拆字词典
https://github.com/kfcd/chaizi
10.词汇情感值
https://github.com/rainarch/SentiBridge/blob/master/Entity_Emotion_Express/CCF_data/pair_mine_result
11.中文词库、停用词、敏感词，此 package 的敏感词库分类更细，包含反动词库， 敏感词库表统计， 暴恐词库， 民生词库， 色情词库
https://github.com/fighting41love/Chinese_from_dongxiexidian
12.汉字转拼音
https://github.com/mozillazg/python-pinyin
13.同义词库、反义词库、否定词库
https://github.com/guotong1988/chinese_dictionary
14.无空格英文串分割、抽取单词
https://github.com/keredson/wordninja
15.THU整理的词库，包含 IT词库、财经词库、成语词库、地名词库、历史名人词库、诗词词库、医学词库、饮食词库、法律词库、汽车词库、动物词库
http://thuocl.thunlp.org/sendMessage
16.百度中文问答数据集
链接：
https://pan.baidu.com/s/1QUsKcFWZ7Tg1dk_AbldZ1A
提取码: 2dva
17.Bert 资源
（1）文本分类实践
https://github.com/NLPScott/bert-Chinese-classification-task
（2）Bert Tutorial 文本分类教程
https://github.com/Socialbird-AILab/BERT-Classification-Tutorial
（3）Bert pytorch实现
https://github.com/huggingface/pytorch-pretrained-BERT
（4）Bert用于中文命名实体识别，tensorflow版本
https://github.com/macanv/BERT-BiLSTM-CRF-NER
（5）Bert 基于 Keras 的封装分类标注框架 Kashgari，几分钟即可搭建一个分类或者序列标注模型
https://github.com/BrikerMan/Kashgari
（6）Bert、ELMO的图解
https://jalammar.github.io/illustrated-bert/
（7）BERT: Pre-trained models and downstream applications
https://github.com/asyml/texar/tree/master/examples/bert
更多优质资源可访问：
https://github.com/fighting41love/funNLP
（本文为 AI科技大本营编译文章，转载请微信联系 1092722531；添加小助手微信csdnai2，备注研究方向，加入技术交流群）
