AFQMC: 蚂蚁金融语义相似度数据集

使用新闻文章进行问答研究的两个数据集。 每个数据集包含许多文档（每个90k和197k），每个文档平均约有4个问题。 https://cs.nyu.edu/~kcho/DMQA/

由 Cai-Nicolas Ziegler 在 Humankind Systems 首席技术官 Ron Hornbaker 的许可下，用 4 周的时间（2004 年 8 月/9 月）从 Book-Crossing 社区收集。 包含 278,858 名用户（匿名但具有人口统计信息），对 271,379 本书提供 1,149,780 次评分（明确/隐含）。

经过提取的医学报告训练数据集

safaasasafaasasafaasasafaasasafaasa

advdfafadvdfafadvdfafadvdfafadvdfafadvdfafadvdfaf

abbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQAabbZCDSVAQA

eagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysaeagageagvsafshykuysa

vavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadrvavevAwdabadr

wbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGWwbadbBQVERGW

vadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadvavadcvadva

aygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsbaygdfisbvfsuefudebvubxjkxknjasihfsb

由 Cai-Nicolas Ziegler 在 Humankind Systems 首席技术官 Ron Hornbaker 的许可下，用 4 周的时间（2004 年 8 月/9 月）从 Book-Crossing 社区收集。 包含 278,858 名用户（匿名但具有人口统计信息），对 271,379 本书提供 1,149,780 次评分（明确/隐含）。

my

mybatis-flex

matlab-special-heatmap

SpringBlade

adggadggadggadgg

adfsdafadfsdafadfsdafadfsdafadfsdafadfsdafadfsdafadfsdafadfsdafadfsdafadfsdafadfsdafadfsdaf

sdgbdfrgvsdgbdfrgvsdgbdfrgvsdgbdfrgvsdgbdfrgvsdgbdfrgvsdgbdfrgvsdgbdfrgvsdgbdfrgvsdgbdfrgvsdgbdfrgv

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。

ADVWSFRFHWQHG

bwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedvbwdvwsbvcwedv

该数据集专门针对 NLP/NLU 问题。该集合的主要目的是创建一个面向领域的对话系统，用于回答与 Unity3D 和游戏开发相关的问题。数据的其他用途是文本分类和论坛问题 EDA。 数据注解 数据集包含两个单独的文件： headers.csv - 每个问题的 Web 预览，其中包含问题的标题、作者的匿名 ID、问题的回复和投票评级、问题状态（评论、发布、回答、编辑、提问）； best_answers.json - 已回答的问题（回复大于 0），其中包含问题的标题、问题的回复和投票评分、与问题相关的标签、对应的 Markdown 符号格式的最佳答案；

数据规模：训练集约14.5k，开发集约1k，测试集约1k； 数据样例： { "context": "欠条是永久有效的,未约定还款期限的借款合同纠纷,诉讼时效自债权人主张债权之日起计算,时效为2年。 根据《中华人民共和国民法通则》第一百三十五条:向人民法院请求保护民事权利的诉讼时效期间为二年,法律另有规定的除外。 第一百三十七条:诉讼时效期间从知道或者应当知道权利被侵害时起计算。但是,从权利被侵害之日起超过二十年的,人民法院不予保护。有特殊情况的,人民法院可以延长诉讼时效期间。 第六十二条第(四)项:履行期限不明确的,债务人可以随时履行,债权人也可以随时要求履行,但应当给对方必要的准备时间。", "answer": "永久有效", "question": "欠条的有效期是多久", "id": 17 }

盘古训练数据和模型

bert数据集

推荐系统

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。

医学临床报告是病人状态的汇总性的描述，为了尽可能全面和精准的对病人的状态进行客观描述，需要利用严谨的临床发现的概念对病人状态进行表达，其中最基本的状态就是阴性和阳性，也就是病人是否存在或者发生某一种明确的临床发现（Clinical Finding）。目前互联网医疗患者会对自己的症状进行一些口语化的描述，一般称之为主诉，同时医生也为针对性的进行一些问诊，来进行一些主诉的细化和补充。本任务就是在这样的背景下产生的，并在CHIP2021会议发布了评测任务(http://cips-chip.org.cn/2021/eval1)，目标是对互联网在线问诊记录中的临床发现的部分进行阴阳性的分类判别。