Skip to content

Latest commit

 

History

History
executable file
·
86 lines (43 loc) · 2.4 KB

README.md

File metadata and controls

executable file
·
86 lines (43 loc) · 2.4 KB

公司名语料库(Company-Names-Corpus)

关于萌名(NameMoe)

萌名是一个基于大数据和自然语言处理技术的新取名产品。

通过分词工具对海量文本进行分词和词频统计。数据清洗后,得到千万级的人名词典。再对其进行性别、年龄、拼音、情感、人名指数等标记,最终形成5600万+的中文人名图谱。

为剔除人名、机构名中的badcase,个人收集并建立了大量行业词典,公司名语料库(Company-Names-Corpus)即是其中之一。

本子项目可用于中文分词、机构名识别等场景。


PS1:维护此项目,除个人兴趣外,主要是在此过程中,可通过任务驱动来不断学习和实践NLP、KG以及AI等相关前沿技术。

PS2:正在找工作,求内部推荐~ 移动医疗/SaaS后台/人工智能方向的 高级产品经理一枚。

PS3:请勿提交涉政issue,谢谢。

PS4:如将本项目转存到国内的某平台,请设置成0积分下载,并保留GitHub链接。


公司名语料库(Company-Names-Corpus)

数据大小:480万。

语料来源:多个词典汇总。

数据清洗:已清洗,但仍存有大量badcase。


机构名语料库(Organization-Names-Corpus)

数据大小:110万。

语料来源:多个词典汇总。

数据清洗:已清洗,但仍存有大量badcase。


公司简称、品牌词等(Company-Shorter-Form)

数据大小:28万。

语料来源:多个词典汇总。

数据清洗:已清洗,但仍存有大量badcase。


Stargazers over time

Stargazers over time


更新时间:

删除了3000余非公司名。 -2018.10.31

新增了10万公司简称、品牌词。 -2018.12.30

新增了28万公司简称、品牌词。 -2019.03.23

删除了2万余质量不高的公司名、机构名。 -2019.04.15

删除了3000余非公司名。 -2019.07.27

删除了2万余质量不高的公司名、机构名。 -2019.12.25

删除了2万余质量不高的公司名、机构名。 -2020.12.13

删除了2万余质量不高的公司名、机构名、简称。 -2021.05.05

删除了2万余质量不高的公司名、机构名、简称。 -2022.11.30


@萌名NameMoe 整理

2024.03.27