nlp-datasets

包含自然语言处理(NLP)相关文本数据的免费/公共领域数据集的字母顺序列表。大多数数据集包含原始非结构化文本数据，如果是寻找注释语料库或树库，请参考底部来源。

An alphabetical list of free/public domain datasets containing text data related to Natural Language Processing (NLP). Most datasets include raw unstructured text data; for those seeking annotated corpora or treebanks, please refer to the sources listed at the bottom.

原始信息汇总

数据集概述

1. Apache Software Foundation Public Mail Archives

• 描述: 所有公开的Apache Software Foundation邮件存档，截至2011年7月11日。
• 大小: 200 GB

2. Blog Authorship Corpus

• 描述: 收集自blogger.com的19,320名博主的帖子，2004年8月。
• 大小: 298 MB

3. Amazon Fine Food Reviews [Kaggle]

• 描述: 包含568,454条亚马逊用户对食品的评论，截至2012年10月。
• 大小: 240 MB

4. Amazon Reviews

• 描述: 斯坦福大学收集的3500万条亚马逊评论。
• 大小: 11 GB

5. ArXiv

• 描述: 存档中的所有论文全文及源文件。
• 大小: 270 GB (全文) + 190 GB (源文件)

6. ASAP Automated Essay Scoring [Kaggle]

• 描述: 包含八个作文集，由7至10年级学生撰写，均手工评分并双评分。
• 大小: 100 MB

7. ASAP Short Answer Scoring [Kaggle]

• 描述: 每个数据集由一个提示生成，主要由10年级学生撰写，均手工评分并双评分。
• 大小: 35 MB

8. Classification of political social media

• 描述: 政治社交媒体消息按内容分类。
• 大小: 4 MB

9. CLiPS Stylometry Investigation (CSI) Corpus

• 描述: 每年扩充的学生文本语料库，主要用于文体学研究。
• 大小: 需请求

10. ClueWeb09 FACC

• 描述: ClueWeb09数据集，包含Freebase注释。
• 大小: 72 GB

11. ClueWeb11 FACC

• 描述: ClueWeb11数据集，包含Freebase注释。
• 大小: 92 GB

12. Common Crawl Corpus

• 描述: 包含超过50亿个网页的网络爬虫数据。
• 大小: 541 TB

13. Cornell Movie Dialog Corpus

• 描述: 包含617部电影中的220,579次对话。
• 大小: 9.5 MB

14. Corporate messaging

• 描述: 关于公司在社交媒体上实际谈论内容的分类数据。
• 大小: 600 KB

15. Crosswikis

• 描述: 英语短语与相关维基百科文章的数据库。
• 大小: 11 GB

16. DBpedia

• 描述: 从维基百科提取的结构化信息。
• 大小: 17 GB

17. Death Row

• 描述: 自1984年以来被执行死刑的囚犯的最后遗言。
• 大小: HTML表格

18. Del.icio.us

• 描述: 来自delicious.com的125万书签。
• 大小: 170 MB

19. Disasters on social media

• 描述: 10,000条带有灾难事件标注的推文。
• 大小: 2 MB

20. Economic News Article Tone and Relevance

• 描述: 判断新闻文章是否与美国经济相关及其语调。
• 大小: 12 MB

21. Enron Email Data

• 描述: 包含1,227,255封电子邮件，覆盖151个保管人。
• 大小: 210 GB

22. Event Registry

• 描述: 提供来自全球100,000个新闻出版商的实时新闻文章访问。
• 大小: 查询工具

23. Examiner.com - Spam Clickbait News Headlines [Kaggle]

• 描述: 2010至2015年间由The Examiner发布的300万条新闻标题。
• 大小: 200 MB

24. Federal Contracts from the Federal Procurement Data Center (USASpending.gov)

• 描述: 来自联邦采购数据中心的联邦合同数据。
• 大小: 180 GB

25. Flickr Personal Taxonomies

• 描述: 个人标签的树形数据集。
• 大小: 40 MB

26. Freebase Data Dump

• 描述: Freebase中的所有当前事实和断言的数据转储。
• 大小: 26 GB

27. Freebase Simple Topic Dump

• 描述: Freebase中每个主题的基本识别事实的数据转储。
• 大小: 5 GB

28. Freebase Quad Dump

• 描述: Freebase中的所有当前事实和断言的数据转储。
• 大小: 35 GB

29. German Political Speeches Corpus

• 描述: 德国顶级代表近期演讲的集合。
• 大小: 25 MB, 11 MTokens

30. GigaOM Wordpress Challenge [Kaggle]

• 描述: 博客文章、元数据、用户点赞数据。
• 大小: 1.5 GB

31. Google Books Ngrams

• 描述: 包含在亚马逊S3上的Hadoop格式中的Google图书Ngrams。
• 大小: 2.2 TB

32. Google Web 5gram

• 描述: 包含英语单词n-grams及其观察频率计数。
• 大小: 24 GB

33. Gutenberg Ebook List

• 描述: 带注释的电子书列表。
• 大小: 2 MB

34. Hansards text chunks of Canadian Parliament

• 描述: 来自加拿大议会官方记录的130万对对齐文本块。
• 大小: 82 MB

35. Harvard Library

• 描述: 哈佛图书馆持有的超过1200万条书目记录。
• 大小: 4 GB

36. Hate speech identification

• 描述: 包含近15,000行文本，每行文本有三个贡献者判断是否包含仇恨言论、冒犯性言论或无冒犯性。
• 大小: 3 MB

37. Hillary Clinton Emails [Kaggle]

• 描述: 近7,000页的克林顿电子邮件，大部分已编辑。
• 大小: 12 MB

38. Historical Newspapers Yearly N-grams and Entities Dataset

• 描述: 包含英国报纸档案库中1,000,000个最频繁的1-, 2-, 和 3-grams的年度时间序列，以及100,000个最频繁的命名实体。
• 大小: 3.1 GB

39. Historical Newspapers Daily Word Time Series Dataset

• 描述: 1836至1922年间英国和美国历史报纸中25,000个最频繁单词的每日使用时间序列。
• 大小: 2.7 GB

40. Home Depot Product Search Relevance [Kaggle]

• 描述: 包含Home Depot网站上的产品和真实客户搜索词，挑战是预测这些组合的关联分数。
• 大小: 65 MB

41. Identifying key phrases in text

• 描述: 问题/答案对+上下文，上下文被判断是否与问题/答案相关。
• 大小: 8 MB

42. Jeopardy

• 描述: 包含216,930个过去的Jeopardy问题。
• 大小: 53 MB

43. 200k English plaintext jokes

• 描述: 包含208,000个来自各种来源的纯文本笑话。
• 大小: 无具体大小

44. Machine Translation of European Languages

• 描述: 欧洲语言的机器翻译数据。
• 大小: 612 MB

45. Material Safety Datasheets

• 描述: 230,000份材料安全数据表。
• 大小: 3 GB

46. Million News Headlines - ABC Australia [Kaggle]

• 描述: 2003至2017年间ABC新闻澳大利亚发布的130万条新闻标题。
• 大小: 56 MB

47. Millions of News Article URLs

• 描述: 2014年10月至2015年4月间950多个英语新闻网站的首页新闻文章URL。
• 大小: 101 MB

48. MCTest

• 描述: 包含660个故事及其相关问题，用于机器文本理解研究。
• 大小: 1 MB

49. NEGRA

• 描述: 德语报纸文本的语法标注语料库，供大学和非营利组织免费使用。
• 大小: 需请求

50. News Headlines of India - Times of India [Kaggle]

• 描述: 2001至2017年间《印度时报》发布的270万条新闻标题。
• 大小: 185 MB

51. News article / Wikipedia page pairings

• 描述: 新闻文章与维基百科页面的配对数据。
• 大小: 6 MB

52. NIPS2015 Papers (version 2) [Kaggle]

• 描述: 包含所有NIPS2015论文的全文。
• 大小: 335 MB

53. NYTimes Facebook Data

• 描述: 包含所有《纽约时报》的Facebook帖子。
• 大小: 5 MB

54. One Week of Global News Feeds [Kaggle]

• 描述: 2017年8月一周内全球发布的140万篇新闻文章，涵盖20种语言。
• 大小: 115 MB

55. Objective truths of sentences/concept pairs

• 描述: 包含句子与概念对的客观真理数据。
• 大小: 700 KB

56. Open Library Data Dumps

• 描述: Open Library中所有记录的所有修订的数据转储。
• 大小: 16 GB

57. Personae Corpus

• 描述: 用于作者归属和个性预测实验的145篇荷兰语论文。
• 大小: 需请求

58. Reddit Comments

• 描述: 截至2015年7月的所有公开Reddit评论。
• 大小: 250 GB

59. Reddit Comments (May ‘15) [Kaggle]

• 描述: 上述数据集的子集。
• 大小: 8 GB

60. Reddit Submission Corpus

• 描述: 2006年1月至2015年8月31日的所有公开Reddit提交。
• 大小: 42 GB

61. Reuters Corpus

• 描述: 用于研究和开发自然语言处理、信息检索和机器学习系统的大型路透社新闻故事集合。
• 大小: 2.5 GB

62. SaudiNewsNet

• 描述: 包含31,030篇阿拉伯语报纸文章及其元数据，来自各种在线沙特报纸。
• 大小: 2 MB

63. SMS Spam Collection

• 描述: 包含5,574条英语、真实且非编码的SMS消息，标记为合法(ham)或垃圾邮件(spam)。
• 大小: 200 KB

64. SouthparkData

• 描述: 包含《南方公园》剧本信息的.csv文件，包括季节、集数、角色和台词。
• 大小: 3.6 MB

65. Stanford Question Answering Dataset (SQUAD 2.0)

• 描述: 阅读理解数据集，包含由众包工作者在维基百科文章上提出的问题，答案为文本段落或无法回答的问题。
• 大小: 无具体大小

66. Stackoverflow

• 描述: 包含730万条Stack Overflow问题及其他Stack Exchange网站的数据。
• 大小: 查询工具

67. Twitter Cheng-Caverlee-Lee Scrape

• 描述: 2009年9月至2010年1月期间的推文，地理位置定位。
• 大小: 400 MB

68. Twitter New England Patriots Deflategate sentiment

• 描述: 2015年超级碗前关于放气足球和爱国者队是否作弊的Twitter情绪数据。
• 大小: 2 MB

69. Twitter Progressive issues sentiment analysis

• 描述: 关于各种左倾问题的推文，如堕胎合法化、女权主义、希拉里·克林顿等，分类为支持、反对或中立。
• 大小: 600 KB

70. Twitter Sentiment140

• 描述: 与品牌/关键词相关的推文，网站包括论文和研究想法。
• 大小: 77 MB

71. Twitter sentiment analysis: Self-driving cars

• 描述: 贡献者阅读推文并将其分类为非常积极、稍微积极、中性、稍微消极或非常消极，并标记是否与自动驾驶汽车无关。
• 大小: 1 MB

72. Twitter Elections Integrity

• 描述: 2016年美国选举期间的所有可疑推文和媒体。
• 大小: 1.4 GB

73. Twitter Tokyo Geolocated Tweets

• 描述: 来自东京的200,000条推文。
• 大小: 47 MB

74. Twitter UK Geolocated Tweets

• 描述: 来自英国的170,000条推文。
• 大小: 47 MB

75. Twitter USA Geolocated Tweets

• 描述: 来自美国的200,000条推文。
• 大小: 45 MB

76. Twitter US Airline Sentiment [Kaggle]

• 描述: 关于美国主要航空公司问题的情绪分析工作，数据来自2015年2月的Twitter。
• 大小: 2.5 MB

77. U.S. economic performance based on news articles

• 描述: 新闻文章标题和摘要对美国经济相关性的排名。
• 大小: 5 MB

78. Urban Dictionary Words and Definitions [Kaggle]

• 描述: 包含260万个Urban Dictionary单词、定义、作者、投票的数据集，截至2016年5月。
• 大小: 238 MB

79. Wesbury Lab Usenet Corpus

• 描述: 2005-2010年间来自47,860个英语新闻组的匿名汇编。
• 大小: 40 GB

80. Wesbury Lab Wikipedia Corpus

• 描述: 2010年4月对英文维基百科文章的快照，处理后移除了所有链接和无关材料。
• 大小: 1.8 GB

81. WorldTree Corpus of Explanation Graphs for Elementary Science Questions

• 描述: 包含为美国公开可用的小学科学考试问题手动构建的解释图、解释角色评级和相关半结构化表格存储。
• 大小: 8 MB

82. Wikipedia Extraction (WEX)

• 描述: 英语维基百科的加工转储。
• 大小: 66 GB

83. Wikipedia XML Data

• 描述: 所有维基媒体站点的完整副本，形式为wikitext源和嵌入XML的元数据。
• 大小: 500 GB

84. Yahoo! Answers Comprehensive Questions and Answers

• 描述: 2007年10月25日的雅虎答案语料库，包含4,483,032个问题及其答案。
• 大小: 3.6 GB

85. Yahoo! Answers consisting of questions asked in French

• 描述: 2006至2015年间在法语中提出的170万个问题及其答案的雅虎答案语料库子集。
• 大小: 3.8 GB

86. Yahoo! Answers Manner Questions

• 描述: 2007年10月25日转储的雅虎答案语料库子集，选定的问题具有特定的语言属性。
• 大小: 104 MB

87. Yahoo! HTML Forms Extracted from Publicly Available Webpages

• 描述: 包含从公开可用网页提取的

搜集汇总

数据集介绍

构建方式

nlp-datasets数据集是一个全面的自然语言处理数据集列表，涵盖了从邮件存档到新闻文章、社交媒体帖子等众多领域的文本数据。该数据集的构建主要通过收集和整理网络上公开的、免费的文本数据资源，包括但不限于邮件存档、博客文章、产品评论、学术论文、新闻头条、社交媒体互动等。

特点

nlp-datasets的特点在于其广泛性、多样性和开放性。它不仅包含了原始的非结构化文本数据，还包括了一些经过注释的语料库，如Treebanks。数据集涵盖的主题广泛，从科技论文到日常对话，从政治演讲到商品评论，为自然语言处理的研究和应用提供了丰富的资源。

使用方法

使用nlp-datasets数据集时，用户可以根据自己的研究需求选择合适的数据集。数据集通常以列表形式提供，包含了数据集的名称、链接和相关描述。用户可以通过访问提供的链接来下载数据集，并根据数据集的特性和格式进行相应的预处理和分析。对于一些特定的数据集，可能还需要遵循特定的使用条款和条件。

背景与挑战

背景概述

nlp-datasets是一个自然语言处理领域的数据集汇总，由多个自然语言处理相关的数据集构成，涵盖了从邮件档案到小说文本，再到新闻文章和社交媒体帖文等多种类型的文本数据。该数据集的创建旨在为自然语言处理研究提供丰富的文本资源，促进相关领域的发展。自其创建以来，nlp-datasets已经成为了自然语言处理领域内的一个重要资源库，对相关研究和应用产生了深远的影响。

当前挑战

nlp-datasets在构建过程中遇到的挑战主要包括数据的多样性和规模性。数据集涵盖了多种类型和来源的文本，这就要求在数据清洗、格式统一和预处理方面做出巨大的努力。此外，由于数据集规模庞大，对存储和计算资源提出了较高的要求。在研究领域，使用nlp-datasets的挑战包括如何从大规模数据中提取有效信息，以及如何处理数据中的噪声和偏差，确保研究结果的准确性和可靠性。

常用场景

经典使用场景

nlp-datasets数据集经典使用场景在于为自然语言处理领域的研究者提供丰富的文本数据资源，包括但不限于邮件档案、博客文章、产品评论、社交媒体推文等。这些数据被广泛用于训练各种NLP模型，如文本分类、情感分析、命名实体识别等。

解决学术问题

该数据集解决了自然语言处理领域中的多个学术研究问题，例如语言模型训练所需的庞大数据需求、文本数据多样化以应对不同NLP任务的需求、以及提供带有情感标签或主题分类的文本以便于情感分析和主题模型的研究。

衍生相关工作

基于nlp-datasets的数据集，衍生出了众多相关研究工作，如构建了针对特定任务的子数据集、开发了新的NLP模型和算法，以及发表了关于数据集分析和挖掘的高影响力论文。