ChID 大规模中文成语数据集

由于缺乏丰富的语料库，中文完形填空式阅读理解的研究仍然受到限制。 ChID（全称 Chinese IDiom Dataset）是大规模中文完形填空测试数据集，用于研究中文中特有的语言现象——成语的理解。在这个语料库中，文章中的成语被空白符号代替，正确答案需要从精心设计的候选成语中选出。

该数据集包含 581K 段落和 729K 空白，并涵盖多个领域。在 ChID 中，段落中的习语被替换为空白符号。对于每个空白，提供包括黄金习语在内的候选习语列表作为选择。