今日GitHub熱榜第一：最全中華古詩詞數據庫，收錄30多萬詩詞
乾明 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
收錄5.5萬首唐詩，超過28萬首宋詞，還囊括了詩經、論語、蒙學等……
這個名為“chinese-poetry”、號稱“最全中文詩歌古典文集數據庫”的項目，今日登頂GitHub熱榜第一。
截止發稿，這一項目已獲得近2.5萬標星，Fork超過4600，受歡迎度可見一斑。
項目發起者名為Jackey，在Teambition從事運維自動化工作。他解釋了為什么要做這個倉庫：
從某種意義上來說，這些龐大的文集離我們是有一定距離的。而電子版方便拷貝，所以此開源數據庫誕生了。此數據庫通過 JSON 格式分發，可以讓你很方便的開始你的項目。
10大數據集
整個項目最核心的內容，就是數據集了。
目前，倉庫中一共有10個數據集，分別是：全唐詩、全宋詩、全宋詞、五代·花間集、五代·南唐二主詞、論語、詩經、幽夢影、四書五經、蒙學。
這些數據，都來自互聯網。如何采集的？項目發起者也分享了全宋詞爬取過程及數據分析。
為什么沒有古詩？他也給出了解釋，古詩采集沒有記錄過程，因為古詩數據龐大，目標網站有限制，采集過程經常中斷超過了一個星期。
圍繞著數據庫，他也進行了一個初步的詞頻分析：
但這些數據集的應用，遠遠不止于此。
8大案例展示
在項目中，作者也放上了使用數據集的應用案例。
有基于瀏覽器的詩詞網站，有安卓版的應用“離線全唐詩”，有簡體唐詩生成(char-RNN)，也詩詞桌面和相關小程序等等。
而且這些項目，也大都在GitHub上開源了。
如果你有興趣，可以收好傳送門：
https://github.com/chinese-poetry/chinese-poetry
版權所有，未經授權不得以任何形式轉載及使用，違者必究。
- 滴滴副總裁葉杰平離職，他是出行巨頭的AI掌門人，戰勝Uber中國的關鍵科學家2020-09-07
- 董明珠的格力空調賣不動了：上半年營收同比腰斬，24年來首次被美的反超2020-09-01
- 手機配件市場上的“隱形巨頭”：80后長沙夫妻創辦，IPO首日市值逼近600億2020-08-31
- 寒武紀半年報：每天虧百萬，銷售力度提升營收反降11%，上市高峰市值跌去40%2020-08-30
