Der NLPCC2016-Datensatz unterscheidet sich von gängigen Nachrichtendatensätzen und verwendet eher informellen Text von Sina Weibo. Die Trainings- und Testdaten bestehen aus Mikroblogs zu verschiedenen Themen wie Finanzen, Sport, Unterhaltung usw. Dieser Datensatz ist UTF-8-codiert und kann für chinesische Wortsegmentierungsaufgaben verwendet werden.

Zitat

@InProceedings{qiu2016overview,
Title                    = {Overview of the {NLPCC-ICCPOL} 2016 Shared Task: Chinese Word Segmentation for Micro-blog Texts},
Author                   = {Xipeng Qiu and Peng Qian and Zhan Shi},
Booktitle                = {Proceedings of The Fifth Conference on Natural Language Processing and Chinese Computing \& The Twenty Fourth
International Conference on Computer Processing of Oriental Languages},
Year                     = {2016}
}