nlp-datasets

包含自然语言处理(NLP)相关文本数据集的字母顺序列表，主要提供免费/公共域的原始非结构化文本数据。

An alphabetical list of text datasets related to Natural Language Processing (NLP), primarily offering free/public domain raw unstructured text data.

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: 2004年8月从blogger.com收集的19,320名博主的帖子，包含681,288篇帖子和超过140百万单词。
• 大小: 298 MB

3. Amazon Fine Food Reviews [Kaggle]

• 描述: 包含至2012年10月的568,454条亚马逊用户留下的食品评论。
• 大小: 240 MB

4. Amazon Reviews

• 描述: 斯坦福大学收集的3500万亚马逊评论。
• 大小: 11 GB

5. ArXiv

• 描述: 存档中的所有论文全文（270 GB）+源文件（190 GB）。

6. ASAP Automated Essay Scoring [Kaggle]

• 描述: 包含八个作文集，每集作文由单一提示生成，作文平均长度为150至550字，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: 包含由单一提示生成的数据集，响应平均长度为50字，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: 每年扩展的学生文本语料库，主要用于文体学研究。
• 获取方式: 请求获取

10. ClueWeb09 FACC

• 描述: ClueWeb09带Freebase注释。
• 大小: 72 GB

11. ClueWeb11 FACC

• 描述: ClueWeb11带Freebase注释。
• 大小: 92 GB

12. Common Crawl Corpus

• 描述: 包含超过50亿网页的网络爬虫数据。
• 大小: 541 TB

13. Cornell Movie Dialog Corpus

• 描述: 包含从原始电影剧本中提取的大量元数据丰富的虚构对话，涉及10,292对电影角色，617部电影。
• 大小: 9.5 MB

14. Corporate messaging

• 描述: 关于公司在社交媒体上实际讨论内容的数据分类。
• 大小: 600 KB

15. Crosswikis

• 描述: 英语短语到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，使其在网络上可用。
• 大小: 17 GB

17. Death Row

• 描述: 自1984年以来被执行的每位囚犯的最后遗言。

18. Del.icio.us

• 描述: 125万美味书签。

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: 1951年至2014年间的新闻文章，判断其是否与美国经济相关及其语气。
• 大小: 12 MB

21. Enron Email Data

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

22. Event Registry

• 描述: 提供实时访问全球100,000家新闻出版商的新闻文章的免费工具。

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

• 描述: 联邦采购数据中心的所有联邦合同数据。
• 大小: 180 GB

24. Flickr Personal Taxonomies

• 描述: 个人标签树数据集。
• 大小: 40 MB

25. Freebase Data Dump

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

26. 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

27. Freebase Quad Dump

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

28. GigaOM Wordpress Challenge [Kaggle]

• 描述: 博客文章、元数据、用户点赞。
• 大小: 1.5 GB

29. Google Books Ngrams

• 描述: 谷歌图书中的Ngrams数据，也可在亚马逊S3上以Hadoop格式提供。
• 大小: 2.2 TB

30. 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

31. Gutenberg Ebook List

• 描述: 带注释的电子书列表。
• 大小: 2 MB

32. Hansards text chunks of Canadian Parliament

• 描述: 加拿大第36届议会的官方记录（Hansards）中的130万对对齐文本块。
• 大小: 82 MB

33. Harvard Library

• 描述: 哈佛图书馆持有的超过1200万条书目记录，包括书籍、期刊、电子资源、手稿、档案材料、乐谱、音频、视频等。
• 大小: 4 GB

34. Hate speech identification

• 描述: 包含近15,000行数据，每行文本有三个贡献者判断是否包含仇恨言论、攻击性但无仇恨言论或完全不攻击性。
• 大小: 3 MB

35. Hillary Clinton Emails [Kaggle]

• 描述: 包含近7,000页克林顿的严重编辑过的电子邮件。
• 大小: 12 MB

36. Home Depot Product Search Relevance [Kaggle]

• 描述: 包含Home Depot网站上的多个产品和真实客户搜索词，挑战是预测提供的搜索词和产品组合的相关性得分。
• 大小: 65 MB

37. 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

38. Jeopardy

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

39. 200k English plaintext jokes

• 描述: 来自各种来源的208,000个纯文本笑话。

40. Machine Translation of European Languages

• 描述: 欧洲语言的机器翻译。
• 大小: 612 MB

41. Material Safety Datasheets

• 描述: 230,000份材料安全数据表。
• 大小: 3 GB

42. MCTest

• 描述: 用于研究机器文本理解的660个故事和相关问题集；用于问答。
• 大小: 1 MB

43. NEGRA

• 描述: 德语报纸文本的句法注释语料库。
• 获取方式: 需要签署并发送表格以获取。

44. News article / Wikipedia page pairings

• 描述: 贡献者阅读短文章并被问及它与哪两个维基百科文章最匹配。
• 大小: 6 MB

45. NIPS2015 Papers (version 2) [Kaggle]

• 描述: NIPS2015会议的所有论文全文。
• 大小: 335 MB

46. NYTimes Facebook Data

• 描述: 所有纽约时报的Facebook帖子。
• 大小: 5 MB

47. Objective truths of sentences/concept pairs

• 描述: 贡献者阅读包含两个概念的句子，并被问及该句子是否可能为真，并按1-5级评分。
• 大小: 700 KB

48. 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

49. Personae Corpus

• 描述: 用于作者归属和个性预测实验的145个荷兰语学生论文。
• 获取方式: 请求获取

50. Reddit Comments

• 描述: 截至2015年7月的所有公开Reddit评论，共17亿条评论。
• 大小: 250 GB

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

• 描述: 上述数据集的子集。
• 大小: 8 GB

52. 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

53. 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

54. SaudiNewsNet

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

55. SMS Spam Collection

• 描述: 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

56. SouthparkData

• 描述: 包含季节、剧集、角色和台词信息的.csv文件。
• 大小: 3.6 MB

57. Stackoverflow

• 描述: 730万条stackoverflow问题+其他stackexchanges。

58. 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

59. Twitter New England Patriots Deflategate sentiment

• 描述: 2015年超级碗前关于泄气足球和爱国者队是否作弊的大量讨论的Twitter情绪分析。
• 大小: 2 MB

60. 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

61. Twitter Sentiment140

• 描述: 与品牌/关键词相关的推文。
• 大小: 77 MB

62. 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

63. Twitter Tokyo Geolocated Tweets

• 描述: 来自东京的200,000条推文。
• 大小: 47 MB

64. Twitter UK Geolocated Tweets

• 描述: 来自英国的170,000条推文。
• 大小: 47 MB

65. Twitter USA Geolocated Tweets

• 描述: 来自美国的200,000条推文。
• 大小: 45 MB

66. 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。
• 大小: 2.5 MB

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

• 描述: 新闻文章标题和摘录，判断是否与美国经济相关。
• 大小: 5 MB

68. Wesbury Lab Usenet Corpus

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

69. Wesbury Lab Wikipedia Corpus

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

70. Wikipedia Extraction (WEX)

• 描述: 英语维基百科的处理转储。
• 大小: 66 GB

71. Wikipedia XML Data

• 描述: 所有维基媒体wiki的完整副本，包括wikitext源和嵌入XML的元数据。
• 大小: 500 GB

72. Yahoo! Answers Comprehensive Questions and Answers

• 描述: 截至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

73. Yahoo! Answers consisting of questions asked in French

• 描述: 2006年至2015年的雅虎答案语料库子集，包含170万个用法语提问的问题及其答案。
• 大小: 3.8 GB

74. Yahoo! Answers Manner Questions

• 描述: 2007年10月25日转储的雅虎答案语料库子集，选出具有语言特性的问题，包含142,627个问题及其答案。
• 大小: 104 MB

75. Yahoo! HTML Forms Extracted from Publicly Available Webpages

• 描述: 包含从公开可用网页提取的267万个复杂HTML表单的小样本。
• 大小: 50+ GB

76. Yahoo! Metadata Extracted from Publicly Available Web Pages

• 描述: 1亿个RDF数据三元组。
• 大小: 2 GB

77. Yahoo N-Gram Representations

• 描述: 包含n-gram表示的数据集，可用于查询重写任务和词及句子相似性任务。
• 大小: 2.6 GB

78. Yahoo! N-Grams, version 2.0

• 描述: 从1460万份文档中提取的n-grams（n=1至5），这些文档是从12000多个新闻导向站点爬取的。
• 大小: 12 GB

79. Yahoo! Search Logs with Relevance Judgments

• 描述: 带相关性判断的匿名雅虎搜索日志。
• 大小: 1.3 GB

80. Yahoo! Semantically Annotated Snapshot of the English Wikipedia

• 描述: 2006年11月4日的英语维基百科快照，经过多种公开可用的NLP工具处理。
• 大小: 6 GB

81. Yelp

• 描述: 包括餐厅排名和220万条评论。
• 获取方式: 请求获取

82. Youtube

• 描述: 170万个YouTube视频描述。
• 大小: 通过torrent获取

搜集汇总

数据集介绍

构建方式

nlp-datasets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、博客文章到新闻评论等众多领域。该数据集的构建主要通过搜集和整理网络上公开的文本数据，包括但不限于邮件存档、网络论坛、社交媒体平台等，旨在为自然语言处理研究提供丰富的数据资源。

特点

该数据集的特点在于其多样性和开放性，包含了不同来源和类型的文本数据，既有未经处理的原始文本，也有经过注释和标注的文本。这些数据覆盖了从个人博客到官方文件的各种文本，为研究者提供了广泛的文本分析样本。

使用方法

用户可以通过数据集提供的链接直接访问和下载所需的数据。在使用时，应遵守相关数据的使用条款和版权规定，尤其是对于具有版权保护的文本数据。此外，部分数据集可能需要用户注册或同意特定的使用协议。

背景与挑战

背景概述

nlp-datasets是一个按字母顺序排列的免费/公共领域文本数据集列表，旨在用于自然语言处理（NLP）的相关研究。该数据集涵盖了从Apache软件基金会公共邮件存档到YouTube视频描述的广泛领域，创建时间不等，由不同的研究人员和机构提供。这些数据集的核心研究问题涉及文本分类、情感分析、 stylometry研究、信息检索等多个方面，对NLP领域产生了深远的影响。

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质量控制。领域问题方面的挑战包括如何有效地对大规模文本数据进行分类和标注，以及如何处理文本数据中的噪声和偏差。在构建过程中，确保数据集的可用性、一致性和可扩展性也是一大挑战。此外，由于数据集的来源多样，整合不同来源的数据并保持其结构和质量的统一也是一个需要解决的问题。

常用场景

经典使用场景

nlp-datasets数据集作为自然语言处理领域的重要资源，其经典使用场景主要集中于文本分类、情感分析、信息提取、机器翻译等研究。例如，利用Amazon Fine Food Reviews数据集进行情感分析，可以训练模型来判断商品评论文本的情感倾向，进而辅助商家进行市场分析和决策。

衍生相关工作

基于nlp-datasets数据集，研究者们衍生出了一系列相关工作，如构建了用于文本分类和情感分析的深度学习模型，开发了用于信息抽取和知识图谱构建的新算法，以及提出了评价自然语言处理模型性能的新指标。

数据集最近研究

最新研究方向

nlp-datasets数据集涵盖了自然语言处理领域广泛使用的文本数据，近期研究方向主要集中在深度学习模型在文本分类、情感分析、机器翻译等任务中的应用。该数据集支持的研究涉及构建更高效的文本分类器、分析社交媒体上的舆论倾向、以及开发自动评分系统等。这些研究对于提升自然语言处理技术的实用性和准确性具有重要意义。