百度 WebQA v1.0 数据集 中文问答训练数据 人工标注 (ANN)+ 浏览器检索 (IR) 格式

核心信息

百度 WebQA v1.0 中文问答数据集是 2016 年百度官方开源的优质中文问答训练资源，数据均来源于百度知道平台，采用 “一个问题 + 多篇意思一致文章” 的结构化格式，适配中文 NLP 模型训练、问答系统开发等场景。

内容覆盖范围

数据类型：中文问答成对数据（问题 + 关联文章）

标注分类：文章分为人工标注（ANN）、浏览器检索（IR）两类；答案分为可回答（positive）、不可回答（other_negative）两类

数据特点：覆盖多领域日常问答场景，结构化程度高，兼顾人工筛选与广泛检索数据，适配不同模型训练需求

可用途径

中文 NLP 模型训练（问答匹配、意图识别、答案抽取等任务）

智能问答系统开发（客服机器人、智能助手训练）

学术研究数据支撑（中文问答领域论文实验、算法验证）

教育 / 企业内部问答知识库构建