TopicNet/Reuters

Reuters语料库包含10,788个新闻文档，总计130万字。这些文档被分类为90个主题，并分为训练集和测试集。数据集主要用于文本分类任务，如主题分类、多类分类和多标签分类。数据集的语言为英语，包含约10,000篇文章，年份为2000年。

The Reuters Corpus contains 10,788 news documents totaling 1.3 million words. The documents have been classified into 90 topics, and grouped into two sets, called training and test. This dataset is primarily used for text classification tasks such as topic classification, multi-class classification, and multi-label classification. The language of the dataset is English, containing approximately 10,000 articles, and the year is 2000.

原始信息汇总

数据集概述

基本信息

• 名称: Reuters
• 语言: 英语
• 数据量: 约10,000篇文章
• 总字数: 1.3百万字
• 分类主题数: 90个
• 年份: 2000年

数据结构

• 数据集分为: 训练集和测试集

任务类型

• 任务类别: 文本分类
• 具体任务:
  • 主题分类
  • 多类别分类
  • 多标签分类

配置信息

• 配置1: 词袋模型（bag-of-words）
  • 默认: 是
  • 数据文件路径: "data/Reuters_BOW.csv.gz"
• 配置2: 自然词序（natural-order-of-words）
  • 数据文件路径: "data/Reuters_NOOW.csv.gz"

许可证

• 许可证类型: topicnet
• 许可证链接: https://github.com/machine-intelligence-laboratory/TopicNet/blob/master/LICENSE.txt

标签

• 主题建模
• 文本聚类
• 多模态数据
• 文档表示