NewSHead

NewSHhead 数据集包含 369,940 个英文故事和 932,571 个唯一 URL，其中分别有 359,940 个用于训练的故事、5,000 个用于验证的故事和 5,000 个用于测试的故事。每个新闻报道至少包含三篇（最多五篇）文章。该数据集是从 2018 年 5 月至 2019 年 5 月之间发布的新闻故事中收集的，其中专有的聚类算法迭代地加载在时间窗口中发布的文章，并根据内容相似性对它们进行分组。从集群中选择最多五篇有代表性的文章来生成故事标题。要求众包平台的策展人提供最多 35 个字符的标题，以描述故事所涵盖的主要信息。