中文人名语料库说明文档

项目概述

本项目是一个开源的中文人名语料库，旨在为自然语言处理（NLP）任务提供高质量的数据支持。通过大数据和自然语言处理技术构建了包含5600万+人名的中文人名图谱。

项目可用于中文分词、人名识别、命名实体识别（NER）等场景。

语料库组成

中文人名语料库（Chinese_Names_Corpus）

数据量：约120万人名

来源：从亿级人名语料中提取

状态：已清洗，但仍有少量badcase

特色：新增人名生成器功能

中文古代人名语料库（Ancient_Names_Corpus）

数据量：约25万人名

来源：多个人名词典汇总

状态：已清洗

中文姓氏语料库（Chinese_Family_Name）

数据量：约1千个姓氏

来源：从亿级人名语料中提取

状态：已清洗

中文称呼语料库（Chinese_Relationship）

数据量：5千个称呼词根，18万条完整称呼

来源：多个人名词典汇总

状态：已清洗，但仍有大量badcase

英文翻译人名语料库（English_Cn_Name_Corpus）

数据量：约48万人名

来源：多个人名词典汇总

状态：已清洗，但仍有少量badcase，以地名居多

日文人名语料库（Japanese_Names_Corpus）

数据量：约18万人名

来源：从维基百科中提取

状态：已清洗，但仍有少量badcase

中文成语词典语料库（ChengYu_Corpus）

数据量：约5万条成语

来源：多个成语词典汇总

状态：已清洗

技术特点

多语言支持：涵盖中文、英文翻译名、日文人名

细分类别：常见人名、古代人名、姓氏、称呼、成语等

持续更新：定期删除非人名或低频badcase，提升数据质量

数据驱动：以大规模语料为基础，通过清洗和标注形成结构化数据

应用场景

中文分词

人名识别

命名实体识别（NER）

人名生成器

取名产品开发

NLP研究

使用说明

用户可直接下载各语料文件用于本地处理或模型训练。语料以文本格式提供，便于在各种NLP工具和框架中使用。