THUCNews 新闻数据集

THUCNews 数据集是根据新浪新闻 2005~2011 年间的历史数据筛选过滤生成，包含 74 万篇新闻文档，均为 UTF-8 纯文本格式。此数据集在原始新浪新闻分类体系的基础上，重新整合划分出 14 个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐

The THUCNews dataset is generated by filtering and screening historical data of Sina News from 2005 to 2011. It contains 740,000 news documents, all in UTF-8 plain text format. Based on the original classification system of Sina News, this dataset has been reorganized and divided into 14 candidate classification categories: finance, lottery, real estate, stocks, home furnishing, education, technology, society, fashion, politics, sports, constellation, games, and entertainment.

搜集汇总

背景与挑战

背景概述

THUCNews新闻数据集是一个基于新浪新闻2005~2011年历史数据构建的大规模中文文本数据集，包含74万篇UTF-8纯文本格式的新闻文档，覆盖财经、彩票、房产等14个分类类别。该数据集适用于自然语言处理任务，如文本分类和生成，具有广泛的应用价值。