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 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: 包含所有公开的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: 收集了19,320名博客作者在2004年8月从blogger.com发布的帖子。
• 大小: 298 MB

3. Amazon Fine Food Reviews [Kaggle]

• 描述: 包含至2012年10月为止的568,454条亚马逊食品评论。
• 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，每集由单一提示生成，作文由7至10年级学生撰写。
• 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，主要由10年级学生撰写。
• 大小: 35 MB

8. Classification of political social media

• 描述: 政治社交媒体消息的内容分类。
• 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。
• 大小: 请求获取

10. ClueWeb09 FACC

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

11. ClueWeb11 FACC

• 描述: ClueWeb11数据集，带有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: 包含从电影剧本中提取的大量虚构对话。
• 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: 英语短语与关联维基百科文章的数据库。
• 大小: 11 GB

16. DBpedia

• 描述: 从维基百科中提取的结构化信息。
• 大小: 17 GB

17. Death Row

• 描述: 自1984年以来被执行的每个囚犯的最后遗言。
• 大小: HTML表

18. Del.icio.us

• 描述: 125万个delicious.com书签。
• 大小: 未提供

19. Disasters on social media

• 描述: 10,000条推文，标注是否涉及灾难事件。
• 大小: 2 MB

20. Economic News Article Tone and Relevance

• 描述: 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，涵盖151个保管人。
• 大小: 210 GB

22. Event Registry

• 描述: 提供实时新闻文章访问的免费工具。
• 大小: 查询工具

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: 个人标签的树形数据集。
• 大小: 40 MB

25. 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

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、用户点赞数据。
• 大小: 1.5 GB

29. Google Books Ngrams

• 描述: 谷歌图书中的n-grams数据，也可在亚马逊S3上以Hadoop格式获取。
• 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: 加拿大议会官方记录中的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。
• 大小: 4 GB

34. Hate speech identification

• 描述: 短文本，识别是否包含仇恨言论或攻击性语言。
• 大小: 3 MB

35. Hillary Clinton Emails [Kaggle]

• 描述: 近7000页的克林顿电子邮件。
• 大小: 12 MB

36. Home Depot Product Search Relevance [Kaggle]

• 描述: 包含Home Depot网站上的产品和真实客户搜索词。
• 大小: 65 MB

37. Identifying key phrases in text

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

38. Jeopardy

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

39. Machine Translation of European Languages

• 描述: 欧洲语言的机器翻译数据。
• 大小: 612 MB

40. Material Safety Datasheets

• 描述: 230,000份材料安全数据表。
• 大小: 3 GB

41. MCTest

• 描述: 用于研究机器文本理解的660个故事及其相关问题。
• 大小: 1 MB

42. NEGRA

• 描述: 德语报纸文本的语法标注语料库。
• 大小: 请求获取

43. News article / Wikipedia page pairings

• 描述: 新闻文章与维基百科页面的配对。
• 大小: 6 MB

44. NIPS2015 Papers (version 2) [Kaggle]

• 描述: NIPS2015会议的所有论文全文。
• 大小: 335 MB

45. NYTimes Facebook Data

• 描述: 所有纽约时报的Facebook帖子。
• 大小: 5 MB

46. Objective truths of sentences/concept pairs

• 描述: 包含两个概念的句子，判断其是否可能为真。
• 大小: 700 KB

47. 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

48. Personae Corpus

• 描述: 用于作者归属和个性预测实验的荷兰语语料库。
• 大小: 请求获取

49. Reddit Comments

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

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

• 描述: 上述数据集的子集。
• 大小: 8 GB

51. 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

52. 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

53. 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

54. SMS Spam Collection

• 描述: 5,574条英语、真实且未编码的SMS消息，标记为合法或垃圾邮件。
• 大小: 200 KB

55. SouthparkData

• 描述: 包含季节、剧集、角色和台词的脚本信息。
• 大小: 3.6 MB

56. Stackoverflow

• 描述: 730万条Stackoverflow问题及其他Stack Exchange问题。
• 大小: 查询工具

57. 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

58. Twitter New England Patriots Deflategate sentiment

• 描述: 关于2015年超级碗前关于气压门事件的Twitter情绪分析。
• 大小: 2 MB

59. Twitter Progressive issues sentiment analysis

• 描述: 关于各种左倾问题的推文，分类为支持、反对或中立。
• 大小: 600 KB

60. Twitter Sentiment140

• 描述: 与品牌/关键词相关的推文。
• 大小: 77 MB

61. Twitter sentiment analysis: Self-driving cars

• 描述: 关于自动驾驶汽车的推文，分类为非常积极、稍微积极、中性、稍微消极或非常消极。
• 大小: 1 MB

62. Twitter Tokyo Geolocated Tweets

• 描述: 东京的200,000条推文。
• 大小: 47 MB

63. Twitter UK Geolocated Tweets

• 描述: 英国的170,000条推文。
• 大小: 47 MB

64. Twitter USA Geolocated Tweets

• 描述: 美国的200,000条推文。
• 大小: 45 MB

65. 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

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

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

67. Wesbury Lab Usenet Corpus

• 描述: 2005-2010年间的47,860个英语新闻组帖子的匿名汇编。
• 大小: 40 GB

68. Wesbury Lab Wikipedia Corpus

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

69. Wikipedia Extraction (WEX)

• 描述: 英语维基百科的加工转储。
• 大小: 66 GB

70. Wikipedia XML Data

• 描述: 所有维基媒体维基的完整副本，包括wiki文本源和元数据嵌入的XML。
• 大小: 500 GB

71. Yahoo! Answers Comprehensive Questions and Answers

• 描述: 截至2007年10月25日的雅虎答案语料库。
• 大小: 3.6 GB

72. Yahoo! Answers consisting of questions asked in French

• 描述: 2006年至2015年间提出的170万个法语问题及其答案。
• 大小: 3.8 GB

73. Yahoo! Answers Manner Questions

• 描述: 雅虎答案语料库的一个子集，用于其语言特性。
• 大小: 104 MB

74. Yahoo! HTML Forms Extracted from Publicly Available Webpages

• 描述: 包含复杂HTML表单的网页样本，包含267万个复杂表单。
• 大小: 50+ GB

75. Yahoo! Metadata Extracted from Publicly Available Web Pages

• 描述: 1亿个RDF数据三元组。
• 大小: 2 GB

76. Yahoo N-Gram Representations

• 描述: 包含n-gram表示的数据集。
• 大小: 2.6 GB

77. Yahoo! N-Grams, version 2.0

• 描述: 从1460万份文档中提取的n-grams（n=1至5）。
• 大小: 12 GB

78. Yahoo! Search Logs with Relevance Judgments

• 描述: 带有相关性判断的匿名雅虎搜索日志。
• 大小: 1.3 GB

79. 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

80. Yelp

• 描述: 包括餐厅排名和220万条评论。
• 大小: 请求获取

81. Youtube

• 描述: 170万个YouTube视频描述。
• 大小: 未提供

搜集汇总

数据集介绍

构建方式

nlp-datasets 是一个全面的数据集列表，涵盖了自然语言处理领域常用的文本数据。该数据集的构建主要通过收集和整理公开域内的文本数据，包括但不限于邮件存档、博客文章、产品评论、新闻文章等，旨在为 NLP 研究提供丰富的资源。

特点

该数据集的特点在于其全面性和多样性，包含了从不同来源和格式收集的大量文本数据。这些数据不仅涵盖了原始的非结构化文本，还包括了经过注释的语料库和树库，能够满足不同研究需求。数据集的规模从几MB到数百GB不等，展现了其丰富的内容。

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数据。对于部分受版权保护或需要特别授权的数据集，用户需要按照相应的指南进行申请。此外，部分数据集还提供了API接口，便于程序化地获取和处理数据。

背景与挑战

背景概述

nlp-datasets是一个旨在为自然语言处理（NLP）研究提供丰富文本数据的集合。该数据集涵盖了从Apache软件基金会邮件存档到Yahoo!答案等众多领域，包含了原始未结构化的文本数据以及经过注释的语料库。创建时间不一，涵盖广泛，由多个研究机构和个人共同维护。这些数据集为NLP领域的研究提供了坚实的基础，推动了诸如文本分类、情感分析、机器翻译等任务的进展。

当前挑战

尽管nlp-datasets为NLP研究提供了宝贵的资源，但在使用过程中也面临着诸多挑战。首先，数据集的多样性和规模带来了整合和处理的困难。其次，构建过程中确保数据的准确性和可靠性是一个持续的挑战。此外，某些数据集的版权和许可问题也给研究者带来了障碍。在具体任务上，如文本分类、情感分析等，如何从大量数据中提取有效特征，以及如何处理噪声数据，都是当前研究中的热点问题。

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海量的文本数据资源。该数据集涵盖了从邮件档案、博客文章、产品评论到新闻文章、社交媒体帖子等多样化的文本来源，为构建和训练各种NLP模型提供了基础数据支持。

解决学术问题

该数据集解决了学术研究中对于大规模、多样化文本数据的需求问题，有助于推动文本分类、情感分析、机器翻译、信息检索等自然语言处理任务的进展，为学术研究提供了丰富的实验素材和基准数据。

衍生相关工作

基于nlp-datasets数据集，研究者们衍生出了大量的相关工作，包括但不限于文本分类算法的研究、情感分析模型的构建、跨语言信息检索系统的开发等，这些工作进一步推动了自然语言处理领域的科研进展和技术创新。