本仓库收集了一些开源的中文拼写/语法纠错数据集，可用于中文纠错模型的训练。数据集均已处理为如下的 jsonl 格式：
{
"source": "完善农产品上行发展机智。",
"target": "完善农产品上行发展机制。",
"label": 1
}source为可能包含拼写/语法错误的源句子，target为纠错后的目标句子，label表示源句子中是否包含错误，若label为1，则包含错误，否则不包含错误。
-
ECSpell：法律、医学、政府领域拼写纠错数据集
来自 https://github.com/aopolin-lv/ECSpell/tree/main/Data/domains_data
-
cscd-ns：针对母语人士的中文拼写纠错数据集，包括 40,000 个来自新浪微博真实帖子的注释句子。
来自 https://github.com/nghuyong/cscd-ns
LCSTS-IME-2M 是一个用于中文拼写检查任务的大规模、高质量的伪数据集，包括超过 200 万个样本。源句子来自 LCSTS 数据集，通过拼音 IME 模拟输入构建。
百度网盘下载地址: https://pan.baidu.com/s/1v7wpw65z0mmnB4XOzdF_jQ
提取码: gv7m
-
lemon：多领域拼写纠错数据集，包括汽车、游戏、医疗、新闻、小说等领域
-
MCSCSet：医疗领域拼写纠错数据集
来自 https://github.com/yzhihao/MCSCSet/tree/main/data/mcsc_benchmark_dataset
-
sighan：sighan13、sighan14、sighan15 拼写纠错数据集
来自 https://github.com/onebula/sighan_raw/tree/master/pair_data/simplified
-
Wang271k：一份基于 OCR 和 ASR 方法合成的中文拼写纠错数据集，包含 27w+ 个句子对
来自 https://github.com/wdimmy/Automatic-Corpus-Generation/tree/master/corpus
-
yacsc：包含 2550 个句对的拼写纠错数据集，位于
yacsc/YACSC/YACSC-no_GE.jsonl来自 https://github.com/blcuicall/yacsc
该项目同时提供了校对后的 sighan 测试集，缓解原始 sighan 测试集中由于繁简转换带来的噪音以及漏标误标问题，位于
yacsc/sighan_revised/目录下。 -
NLPCC2023-task8：中文拼写检查数据集，包含 1000 条手动识别和标记的句子对，其中 500 条包含拼写错误，500 条不含错误。
来自 https://github.com/Arvid-pku/NLPCC2023_Shared_Task8/blob/main/data/data.txt
-
CCTC：针对母语人士的跨句中文文本纠错数据集，来自 https://aclanthology.org/2022.coling-1.294.pdf
本项目对原始数据集
CCTC/source_data进行了处理，在提取出包含错误的句子对同时，采样了一定数量的不含错误句子对。 -
CTC2021：中文文本纠错比赛，来自 https://github.com/destwang/CTCResources
-
midu2022：蜜度中文文本智能校对大赛，初赛阶段约 1000 条修正后的真实场景训练集数据位于
midu2022/preliminary_extend_train.jsonl，初赛阶段约 1000 条修正后的真实场景验证集数据位于midu2022/preliminary_val.jsonl。决赛阶段约 2900 条修正后的真实场景数据位于midu2022/final.jsonl。初赛阶段约 100 万条伪数据下载地址：
https://pan.baidu.com/s/1gS2dpcQIZpvyT-a1jEsGSQ
提取码: 99d7
-
yacsc：包含 2550 个句对的语法纠错数据集，位于
yacsc/YACSC/YACSC-with_GE.jsonl -
NLPCC2023-task1：任务一中文语法纠错数据集
来自 http://tcci.ccf.org.cn/conference/2023/taskdata.php
处理了 HSK 和 MuCGEC 两个数据集，位于
NLPCC2023/grammar/目录下。
2460 ECSpell/ec_law.jsonl
3500 ECSpell/ec_med.jsonl
2220 ECSpell/ec_odw.jsonl
40000 cscd-ns/all.jsonl
5000 cscd-ns/dev.jsonl
5000 cscd-ns/test.jsonl
30000 cscd-ns/train.jsonl
3410 lemon/car.jsonl
1026 lemon/cot.jsonl
3434 lemon/enc.jsonl
400 lemon/gam.jsonl
2090 lemon/mec.jsonl
5892 lemon/new.jsonl
6000 lemon/nov.jsonl
196496 MCSCSet/filtered_data.jsonl
19650 MCSCSet/test.jsonl
157194 MCSCSet/train.jsonl
19652 MCSCSet/valid.jsonl
271281 Wang271k/data.jsonl
1000 sighan/sighan13_test.jsonl
350 sighan/sighan13_train.jsonl
1062 sighan/sighan14_test.jsonl
3437 sighan/sighan14_train.jsonl
1100 sighan/sighan15_test.jsonl
2339 sighan/sighan15_train.jsonl
1000 yacsc/sighan_revised/test_sighan13.jsonl
1062 yacsc/sighan_revised/test_sighan14.jsonl
1100 yacsc/sighan_revised/test_sighan15.jsonl
2550 yacsc/YACSC/YACSC-no_GE.jsonl
2550 yacsc/YACSC/YACSC-with_GE.jsonl
2311 CCTC/cctc_test_wide.jsonl
2159 CCTC/cctc_train.jsonl
217634 CTC2021/train_large_v2.jsonl
969 CTC2021/val.jsonl
2919 midu2022/final.jsonl
1000 midu2022/preliminary_extend_train.jsonl
1014 midu2022/preliminary_val.jsonl
156831 NLPCC2023/grammar/HSK/hsk.jsonl
2467 NLPCC2023/grammar/MuCGEC/MuCGEC_dev_all.jsonl
1137 NLPCC2023/grammar/MuCGEC/MuCGEC_dev_min_edit_distance.jsonl
1000 NLPCC2023/spell/data.jsonl本仓库数据集只能用于学术研究，请勿用作商业。