nlp-datasets

github2019-03-13 更新2024-05-31 收录

下载链接：

https://github.com/jbdatascience/nlp-datasets

下载链接

链接失效反馈

官方服务：

资源简介：

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

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

创建时间：

2018-05-13

原始信息汇总

数据集概述

1. Apache Software Foundation Public Mail Archives

描述: 包含截至2011年7月11日的所有公开Apache软件基金会邮件存档。
大小: 200 GB

2. Blog Authorship Corpus

描述: 收集自2004年8月的19,320名博客作者的帖子，共计681,288篇帖子，超过1400万字。
大小: 298 MB

3. Amazon Fine Food Reviews [Kaggle]

描述: 包含截至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，每集由一个提示生成，作文由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: 包含由单个提示生成的数据集，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: 每年扩充的学生文本语料库，主要用于文体学研究。
大小: 需请求

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谈论内容的数据分类。
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年以来被执行的每位囚犯的最后遗言。
大小: HTML表格

18. Del.icio.us

描述: 125万条美味书签。
大小: 未提供

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: 关于美国经济相关新闻文章的语气和相关性。
大小: 12 MB

21. Enron Email Data

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

22. Event Registry

描述: 提供全球100,000家新闻出版商的实时新闻文章访问。
大小: 查询工具

23. Examiner.com - Spam Clickbait News Headlines [Kaggle]

描述: 2010至2015年间由现已关闭的点击诱饵网站The Examiner发布的300万条新闻标题。
大小: 200 MB

24. 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

25. Flickr Personal Taxonomies

描述: 个人标签的树形数据集。
大小: 40 MB

26. 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

27. 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

28. Freebase Quad Dump

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

29. GigaOM Wordpress Challenge [Kaggle]

描述: 博客文章、元数据、用户点赞。
大小: 1.5 GB

30. Google Books Ngrams

描述: 包含在亚马逊S3上的Hadoop格式中的Google图书Ngrams。
大小: 2.2 TB

31. Google Web 5gram

描述: 包含英语单词n-gram及其观察频率计数。
大小: 24 GB

32. Gutenberg Ebook List

描述: 带注释的电子书列表。
大小: 2 MB

33. Hansards text chunks of Canadian Parliament

描述: 来自加拿大第36届议会的官方记录的130万对对齐文本块。
大小: 82 MB

34. 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、电子资源等。
大小: 4 GB

35. Hate speech identification

描述: 包含近15,000行数据，每个文本字符串有三个贡献者判断。
大小: 3 MB

36. Hillary Clinton Emails [Kaggle]

描述: 近7,000页的克林顿经过大量编辑的电子邮件。
大小: 12 MB

37. 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，挑战是预测搜索词和产品组合的相关性得分。
大小: 65 MB

38. 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

39. Jeopardy

描述: 包含216,930个过去的《危险边缘》问题。
大小: 53 MB

40. 200k English plaintext jokes

描述: 包含来自各种来源的208,000个纯文本笑话。
大小: 未提供

41. Machine Translation of European Languages

描述: 欧洲语言的机器翻译。
大小: 612 MB

42. Material Safety Datasheets

描述: 230,000份材料安全数据表。
大小: 3 GB

43. Million News Headlines - ABC Australia [Kaggle]

描述: 2003至2017年间ABC新闻澳大利亚发布的130万条新闻标题。
大小: 56 MB

44. MCTest

描述: 包含660个故事及其相关问题的研究集，用于机器文本理解研究。
大小: 1 MB

45. NEGRA

描述: 德语报纸文本的句法注释语料库，可供所有大学和非营利组织免费使用。
大小: 需请求

46. News Headlines of India - Times of India [Kaggle]

描述: 2001至2017年间《印度时报》发布的270万条新闻标题。
大小: 185 MB

47. News article / Wikipedia page pairings

描述: 贡献者阅读短文并被要求判断哪两个维基百科页面与之最接近。
大小: 6 MB

48. NIPS2015 Papers (version 2) [Kaggle]

描述: NIPS2015会议的所有论文全文。
大小: 335 MB

49. NYTimes Facebook Data

描述: 所有纽约时报的Facebook帖子。
大小: 5 MB

50. One Week of Global News Feeds [Kaggle]

描述: 2017年8月一周内全球发布的140万篇文章，涵盖20种语言。
大小: 115 MB

51. Objective truths of sentences/concept pairs

描述: 贡献者阅读包含两个概念的句子，并被要求判断句子是否可能为真，并按1-5级评分。
大小: 700 KB

52. 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

53. Personae Corpus

描述: 用于作者归属和个性预测实验的145个荷兰语学生论文语料库。
大小: 需请求

54. Reddit Comments

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

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

描述: 上述数据集的子集。
大小: 8 GB

56. Reddit Submission Corpus

描述: 2006年1月至2015年8月31日期间的所有公开Reddit提交。
大小: 42 GB

57. Reuters Corpus

描述: 用于自然语言处理、信息检索和机器学习系统研究和开发的大型路透社新闻故事集合。
大小: 2.5 GB

58. 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

59. SMS Spam Collection

描述: 5,574条英语真实非编码短信，标记为合法或垃圾邮件。
大小: 200 KB

60. SouthparkData

描述: 包含季节、剧集、角色和台词的.csv文件。
大小: 3.6 MB

61. Stackoverflow

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

62. 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

63. Twitter New England Patriots Deflategate sentiment

描述: 2015年超级碗前关于放气足球和爱国者队是否作弊的Twitter情绪分析。
大小: 2 MB

64. 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

65. Twitter Sentiment140

描述: 与品牌/关键词相关的推文，网站包括论文和研究想法。
大小: 77 MB

66. 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、中立、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

67. Twitter Tokyo Geolocated Tweets

描述: 来自东京的200,000条推文。
大小: 47 MB

68. Twitter UK Geolocated Tweets

描述: 来自英国的170,000条推文。
大小: 47 MB

69. Twitter USA Geolocated Tweets

描述: 来自美国的200,000条推文。
大小: 45 MB

70. 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，包括2015年2月的Twitter数据。
大小: 2.5 MB

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

描述: 新闻文章标题和摘录，排名是否与美国经济相关。
大小: 5 MB

72. Urban Dictionary Words and Definitions [Kaggle]

描述: 截至2016年5月的所有Urban Dictionary单词、定义、作者、投票的清理CSV语料库。
大小: 238 MB

73. Wesbury Lab Usenet Corpus

描述: 2005-2010年间来自47,860个英语新闻组的匿名汇编帖子。
大小: 40 GB

74. Wesbury Lab Wikipedia Corpus

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

75. Wikipedia Extraction (WEX)

描述: 英语维基百科的加工转储。
大小: 66 GB

76. Wikipedia XML Data

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

77. Yahoo! Answers Comprehensive Questions and Answers

描述: 截至2007年10月25日的Yahoo! Answers语料库，包含4,483,032个问题及其答案。
大小: 3.6 GB

78. Yahoo! Answers consisting of questions asked in French

描述: 2006年至2015年间Yahoo! Answers语料库的子集，包含170万个用法语提问的问题及其答案。
大小: 3.8 GB

79. Yahoo! Answers Manner Questions

描述: 2007年10月25日转储的Yahoo! Answers语料库子集，选定其语言属性，包含142,627个问题及其答案。
大小: 104 MB

80. 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。
大小: 50+ GB

81. Yahoo! Metadata Extracted from Publicly Available Web Pages

描述: 1亿个RDF数据三元组。
大小: 2 GB

82. 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

83. Yahoo! N-Grams, version 2.0

描述: 从1460万份文档中提取的n-grams（n=1到5），这些文档是从12000多个新闻导向网站爬取的。
大小: 12 GB

84. Yahoo! Search Logs with Relevance Judgments

描述: 带有关联判断的匿名Yahoo!搜索日志。
大小: 1.3 GB

85. 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，使用多个公开可用的NLP工具进行处理。
大小: 6 GB

86. Yelp

描述: 包括餐厅排名和220万条评论。
大小: 需请求

87. Youtube

描述: 170万个YouTube视频描述。
大小: 未提供

以上数据集涵盖了从邮件存档、博客文章、

搜集汇总

数据集介绍

构建方式

nlp-datasets是一个综合性的自然语言处理数据集列表，涵盖了从邮件存档到社交媒体帖子，再到新闻文章和百科全书等多种类型的文本数据。数据集的构建主要通过搜集和整理网络上公开的、不受版权限制的文本数据，旨在为NLP研究人员提供丰富的资源。

特点

该数据集的特点在于其多样性和开放性，包含了多种语言和来源的文本数据，既有原始的非结构化文本，也有经过注释的结构化数据。此外，数据集不断更新，反映了NLP领域的最新研究需求。

使用方法

用户可以通过数据集中的URL链接直接访问和下载数据。在使用时，应遵守相应的数据使用条款和版权规定。数据集适用于自然语言处理、信息检索、机器学习等领域的研究和开发工作。

背景与挑战

背景概述

nlp-datasets 是一个自然语言处理（NLP）领域的数据集列表，由Alphabetical order进行排列。该数据集涵盖了从Apache软件基金会公共邮件存档到YouTube视频描述等多样化的文本数据，旨在为NLP研究提供丰富的资源。这些数据集由多个研究机构、项目和个人自2004年以来陆续创建和维护，对推动NLP领域的研究起到了重要作用。

当前挑战

nlp-datasets 面临的挑战主要在于其多样性和规模性。首先，数据集的多样性带来了整合和标准化的困难，不同数据集的质量、格式和可用性各不相同。其次，大规模数据集的处理、存储和分析需要强大的计算资源和专业的技术支持。此外，数据集的版权和隐私问题也是需要关注的重要挑战。

常用场景

经典使用场景

nlp-datasets数据集的典型应用场景在于自然语言处理领域的研究与开发。学者和研究人员可以从中获取大量的文本数据，用于训练和测试各种语言模型，例如情感分析、文本分类、机器翻译等任务。该数据集涵盖了从社交媒体、新闻文章到文学作品等多样化的文本来源，使得研究人员可以根据具体的研究需求选择合适的数据子集。

衍生相关工作

基于nlp-datasets，已经衍生出了一系列相关的经典工作。例如，研究人员利用该数据集开发出了新的情感分析模型、文本分类算法和机器翻译系统。此外，还有工作专注于数据集的预处理和标注，以提高数据的质量和可用性，进一步推动了自然语言处理领域的研究和应用。

数据集最近研究