Blog Authorship Corpus

该数据集包含了19,320位博主撰写的帖子，共计681,288篇，字数超过1亿4千万，用于根据博主的文字来预测其年龄和性别。数据集按年龄组（10多岁、20多岁、30多岁）划分，男女博主分布均衡。每篇博文都由一个唯一的博主ID标识，且数据集中至少包含200个常见英语单词的实例。规模上，数据集涵盖了来自19,320位博主的681,288篇帖子，任务旨在进行年龄与性别的预测。