记载一下如何从坑爹的Linguistic Data Consortium (LDC)网站上下载语料
经过热心网友点拨，这里面涉及到授权的问题，按照我的办法可以下载到数据集，但是如果你的大学没有被授权，就只能拿来自己练手，但是不能拿来发论文了。所以也请网友不要问下载到数据集的同学直接要了，菜鸟表示不背负法律责任。
什么是LDC
LDC是一个定期收集，整理和发布各种数据集的组织。其中绝大部分的数据集和自然语言处理相关。比如如果你是菜鸟（就是我啊），并且你不自量力的想搞dependency tree，那就有很大概率要碰到这个组织，因为你需要训练语料。然后你就会神奇的发现，好多相关论文（比如斯坦福的manning系）在github上会放相应代码，但是就是不放对应的数据集，理由是这个数据集是要钱的。所以你个菜鸟穷逼就被狠狠嘲笑了。因为你没钱，你也不懂高冷的技术。所以你活该学术上也毫无进展。
如何下载Ontonotes Release 5.0
Step 1. 充值成为会员
首先，其实绝大部分语料是不要钱的（所以可以下载，但是不能用来发论文，好的被教做人）。但是你得有个LDC账号，这个账号呢可能以Guest身份注册也行（我没试过），但是我还是试了一下LDC知不知道“国际著名大学”USTC的，惊喜的是USTC能在LDC提供的注册组织下拉菜单中搜索到（妮科还是有点牛逼的）。下面的截图就是分别以Guest身份以及Organization身份注册的截图：
后面的注册都是流水线了（会通过邮件确认账户啥的），我就不截图了。
Step 2. 找到自己想要的数据集
注册好了之后，我得到了这样一条反馈，心中顿时一凉，还得再等管理员确认？（事实证明不需要，但是不能用来发论文，好的被教做人）
等了半天没人确认之后，还是找找数据集吧，我的比较好找，你要找的数据集如果冷门就自己找喽，如果有系统的搜索方法记得贴到网上。
点击链接之后，发现OntoNotes Release 5.0其实不要钱。（整个页面很长，都是数据集的说明，直接拉到页面底部）
中间很长的图片跳过，直接拉到页面底部，可以看到所有费用为0，但是旁边的下载按钮咋点击不了呢？页面其他部分也没有下载链接啊。是我太穷了，免费的都不可以下载么？还是必须得充值变强？菜鸟好迷茫啊，穷逼好迷茫啊。。。（你的迷茫是对的，能下载到但是不能用来发论文，好的被教做人）
Step 3. 手动输入url，强行进入下载页面
这个时候我放弃了好多次，直到菜鸟渐渐能记得利用github了。然后就在github上搜索了一下有咩有奇技淫巧可以帮助下载。最后发现了3个废掉的repo，利用shell或者python脚本写的下载代码。通过阅读代码，突然想到可以看看它们什么下载原理，说不定能找到下载页面的。中间看代码的过程就不贴了，直接上我试出来的下载url。还是靠截图。
下图是菜鸟还迷茫时停留的页面，这是你不知道下载链接时填入浏览器的网址
然后直接把网址改成：https://catalog.ldc.upenn.edu/organization/downloads
嗒嗒，你终于进入穷逼也能下载的数据集页面了（能下载到但是不能用来发论文，好的被教做人）。你会发现，我写这个博客的时候，还是没有通过认证。但是不管了，可以下载了。记得善用Ctrl+F（页面搜索功能），输入LDC2013T19,找到下载链接，点击下载。至于下载之后，进一步怎么处理，抱歉，菜鸟还不会。慢慢看文档吧。。。
然后你的浏览器就开始下载890M的数据集以及相应的数据清洗工具箱。
你来教我怎么进一步处理数据集
之前我一直用的java写的Stanford CoreNLP工具箱。这个工具箱是2014年的产物，dependency tree的LAS精度只有88%左右，精度不能忍。有了Ontonotes release 5.0你就能得到标注好的语法树，然后利用Manning（CS224N就是他上的课）和Quoc V. Le（发明Seq2Seq的人）2018出的cross-view training方法中的semi-supervised训练方法把paser的LAS精度提高到96%（全网第一）。
所以罗里吧嗦说这么多，你是不是也应该把Ontonotes release 5.0怎么使用的博客贴出来啦？（能下载到但是不能用来发论文，好的被教做人）
完！