News2016zh

数据集包含250万新闻文章。新闻来源涵盖63,000媒体，包括标题，关键字，描述和文本。

数据集分区: 数据被重复数据删除并分为三个部分。训练集: 243万; 验证集: 77,000; 测试集，数万，不可下载。

This dataset contains 2.5 million news articles. The news sources cover 63,000 media outlets, including titles, keywords, descriptions and full texts. Dataset partitioning: The data has been deduplicated and divided into three subsets. Training set: 2.43 million; Validation set: 77,000; Test set: tens of thousands, which is not available for download.

搜集汇总

背景与挑战

背景概述

News2016zh是一个大规模中文新闻数据集，包含250万篇新闻文章，覆盖63,000个媒体来源，每篇文章提供标题、关键字、描述和文本。数据集经过去重处理，分为训练集、验证集和测试集，其中测试集不可下载，发布于2019年，适用于自然语言处理任务如文本分类和生成。