# PTT 中文語料 嗨，這裡是 PTT 中文語料集，我透過[某些假設與方法](https://github.com/zake7749/PTT-Chat-Generator) 將每篇文章化簡為問答配對，其中問題來自文章的標題，而回覆是該篇文章的推文。 可惜的是目前這份資料集的噪聲還有點大，若您有更好的方法能提取出文章的問答配對，或發現這份資料集有什麼能改進的部份，還請與我聯繫，也祝各位開發順利 :> ## 資料說明 資料集一共有兩份，您可於 [PTT-Gossiping-Corpus](https://www.kaggle.com/zake7749/pttgossipingcorpus) 或是從本專案的 `data` 資料夾裡取得。 Gossiping-QA-Dataset.txt 蒐集了 PTT 八卦版於 2015 年至 2017 年 6 月的文章，每一行都是一個問答配對，問與答之間以一個 tab (`\t`) 區隔。目前共有 418,202 筆問答配對，但並不是所有配對都是有效的，因為有些文章並沒有推文，這類問題的回覆會被標記為`沒有資料`(共有 650 筆)，使用時還請注意。 Gossiping-QA-Dataset-2_0.csv 擴充自 Gossiping-QA-Dataset.txt 的新版資料集，追加了部分 2018 與 2019 年的文章，一共包含了 774,114 筆問答配對。 資料格式調整為 csv，包含了兩個 columns: `question` 和 `answer`。