peixin/chinese-names-corpus

中文人名语料库。中文姓名,姓氏,名字,称呼,日本人名,翻译人名,英文人名。成语词典。

中文人名语料库（Chinese-Names-Corpus）

业余项目“萌名（一个基于语料库技术的取名工具）”的副产品。不定期更新。只删词，不加词。
可用于中文分词、人名识别。

中文常见人名（Chinese_Names_Corpus）
120万。从亿级人名语料中提取。删除了罕见姓氏、和带生僻字的人名。随机删除了部分名人姓名（一点点小私心）。清洗后仍存有少量badcase。

中文古代人名（Ancient_Names_Corpus）
25万。多个人名词典汇总。删除了罕见姓氏、和带生僻字的人名。清洗后仍存有少量badcase。

日文人名（Japanese_Names_Corpus）
18万。从维基百科中提取。删除了罕见姓氏、和带生僻字的人名。清洗后仍存有少量badcase。
数据清洗过程相见，“日本人名数据清洗分享”。

翻译人名（English_Cn_Name_Corpus）
48万。多个人名词典汇总。删除了翻译人名常用字之外的人名。混有少量西化中文人名，如“李伯恩”。清洗后仍存有少量badcase，尤其是英文地名。

中文姓氏（Chinese_Family_Name）
1千。从亿级人名语料中提取。删除了罕见姓氏，复姓只保留了“欧阳”。

中文称呼（Chinese_Relationship）
5千。称呼词根。多个人名词典汇总。删除了部分带贬义的称呼。
18万。中文称呼。多个人名词典汇总。清洗后仍存有大量badcase。

成语词典（ChengYu_Corpus）
5万。多个成语词典汇总。清洗后仍存有少量badcase。

---

更新时间：

更早的提交，不记得时间了。

删除了1000余非人名。 -2017.08.08

删除了5000余非人名。 -2017.11.25

新增了18万日文人名。 -2017.12.17

删除了1500余非人名（主要是日文地名）。 -2017.12.30

删除了约3万余非人名、或低频人名。 -2018.11.4

---

@萌名 整理

2018.11.04