Wikipedia Talk Corpus

We provide a corpus of discussion comments from English Wikipedia talk pages. Comments are grouped into different files by year. Comments are generated by computing diffs over the full revision history and extracting the content added for each revision. See our wiki for documentation of the schema and our research paper for documentation on the data collection and processing methodology.

我们提供了一套源自英文维基百科（English Wikipedia）讨论页的评论语料集。所有评论按年份分组存储于不同文件中。本语料集中的评论均通过对完整修订历史计算版本差异，并提取每次修订所新增的内容生成。如需了解该数据集的数据模式（schema）说明，请参阅我们的维基文档；有关数据收集与处理方法的详细说明，请参考我们的研究论文。

搜集汇总

背景与挑战

背景概述

Wikipedia Talk Corpus是一个从英文维基百科讨论页提取的大规模评论语料库，数据按年份（2001-2010）分组，总大小约16.7 GB，适用于自然语言处理研究。该数据集通过计算修订历史差异生成，专注于在线讨论内容，具有时间序列结构，许可证为CC0，便于学术使用。