L'ensemble de données NLPCC2016 est différent des ensembles de données d'actualités populaires et utilise un texte plus informel de Sina Weibo. Les données de formation et de test sont constituées de microblogs sur différents sujets, tels que la finance, le sport, le divertissement, etc. Cet ensemble de données est codé en utf-8 et peut être utilisé pour les tâches de segmentation de mots chinois.