metadata
license: apache-2.0
chinese_text_correction
中文文本纠错数据集，包含拼写和语法纠错数据，可用于中文校对模型的训练。
Repository: zejunwang1/CTCDataset
Data distribution
| Source | Type | Sample |
|---|---|---|
| CCTC | grammar | 4470 |
| cscd-ns | spell | 40000 |
| CTC2021 | grammar | 969 |
| ECSpell | spell | 8180 |
| lemon | spell | 22252 |
| MCSCSet | spell | 39302 |
| midu2022 | grammar | 2014 |
| NLPCC2023 | spell | 1000 |
| Total | — | 118187 |
Data Fields
| Field | Type | Description |
|---|---|---|
| source | string | 可能包含拼写/语法错误的源句子 |
| target | string | 纠错后的目标句子 |
| label | int | 源句子中是否包含错误，若为1，则包含错误，否则不包含错误。 |
{
"source": "完善农产品上行发展机智。",
"target": "完善农产品上行发展机制。",
"label": 1
}
How to use it
from datasets import load_dataset
data = load_dataset('WangZeJun/chinese_text_correction')
print(data)
DatasetDict({
train: Dataset({
features: ['source', 'target', 'label'],
num_rows: 118187
})
})
License/Terms of Use
License
Data Developer
Use Case
使用该数据集可进行中文纠错模型的训练。
Release Date
04/17/2025
Data Version
1.0 (04/17/2025)