TopicNet/WikiRef-220|文本分类数据集|主题建模数据集

hugging_face2024-03-18 更新2024-06-11 收录

文本分类

主题建模

下载链接：

https://hf-mirror.com/datasets/TopicNet/WikiRef-220

下载链接

链接失效反馈

资源简介：

WikiRef220数据集是一个单语种（英文）的文本分类数据集，专注于主题分类、多类分类和多标签分类。数据集提供了两种不同的配置文件，一种是基于bag-of-words的，另一种是基于natural-order-of-words的。该数据集适用于主题建模、文本聚类、多模态数据分析和文档表示研究。

提供机构：

TopicNet

原始信息汇总

数据集概述

基本信息

语言: 英语
多语言性: 单语种
许可证: topicnet
许可证链接: https://github.com/machine-intelligence-laboratory/TopicNet/blob/master/LICENSE.txt

配置

配置1: bag-of-words
- 默认: 是
- 数据文件:
  - 分割: 训练
  - 路径: "data/wiki_ref220_bow.csv.gz"
配置2: natural-order-of-words
- 数据文件:
  - 分割: 训练
  - 路径: "data/wiki_ref220_natural_order.csv.gz"

任务类别

文本分类

任务ID

主题分类
多类别分类
多标签分类

食物成分数据比较准确而详细地描述农作物、水产类、畜禽肉类等人类赖以生存的基本食物的品质和营养成分含量。它是一个重要的我国公共卫生数据和营养信息资源，是提供人类基本需求和基本社会保障的先决条件；也是一个国家制定相关法规标准、实施有关营养政策、开展食品贸易和进行营养健康教育的基础，兼具学术、经济、社会等多种价值。本数据集收录了基于2002年食物成分表的1506条食物的31项营养成分（含胆固醇）数据，657条食物的18种氨基酸数据、441条食物的32种脂肪酸数据、130条食物的碘数据、114条食物的大豆异黄酮数据。

国家人口健康科学数据中心收录

TM-Senti

TM-Senti是由伦敦玛丽女王大学开发的一个大规模、远距离监督的Twitter情感数据集，包含超过1.84亿条推文，覆盖了超过七年的时间跨度。该数据集基于互联网档案馆的公开推文存档，可以完全重新构建，包括推文元数据且无缺失推文。数据集内容丰富，涵盖多种语言，主要用于情感分析和文本分类等任务。创建过程中，研究团队精心筛选了表情符号和表情，确保数据集的质量和多样性。该数据集的应用领域广泛，旨在解决社交媒体情感表达的长期变化问题，特别是在表情符号和表情使用上的趋势分析。

arXiv 收录

Wind Turbine Data

该数据集包含风力涡轮机的运行数据，包括风速、风向、发电量等参数。数据记录了多个风力涡轮机在不同时间点的运行状态，适用于风能研究和风力发电系统的优化分析。

www.kaggle.com 收录

ChemBL

ChemBL是一个化学信息学数据库，包含大量生物活性数据，涵盖了药物发现和开发过程中的各种化学实体。数据集包括化合物的结构信息、生物活性数据、靶点信息等。