Chinese Gigaword Fifth Edition数据集介绍，官网编号LDC2011T13

Chinese Gigaword Fifth Edition（LDC2011T13）是 LDC 发布的超大规模中文新闻文本语料库，是中文 NLP 领域最经典、最常用的基础训练数据之一。

一、核心规模与内容

• 总字符数：约30.9 亿汉字
• 文档来源：8 家权威中文新闻通讯社 / 媒体，覆盖简体 + 繁体
  • 简体（7 家）：新华社（Xinhua News Agency）、人民日报（People’s Daily）、中国新闻社（China News Service）、中央人民广播电台（China National Radio）、国际在线（CRI Online）、上海文广（SMG）、联合早报（Lianhe Zaobao）
  • 繁体（1 家）：中央通讯社（Central News Agency, Taiwan）
• 时间跨度：收录 1994–2010 年新闻，第五版新增 2009–2010 年数据
• 文本类型：纯新闻文本（无标注），含标题、正文、电头、日期等标准新闻结构

NLP语料共享、LDC语料https://mp.weixin.qq.com/s/8GgZFh9XAr7FYwivQ_ajRg