nlp-datasets

包含用于自然语言处理的文本数据集的字母顺序列表，这些数据集是免费/公共领域的。

An alphabetical list of text datasets for natural language processing, which are free/public domain.

原始信息汇总

数据集概述

1. Apache Software Foundation Public Mail Archives

• 描述: 所有公开的Apache Software Foundation邮件存档，截至2011年7月11日。
• 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3500万亚马逊评论。
• 大小: 11 GB

5. ArXiv

• 描述: 存档中的所有论文全文（270 GB）+源文件（190 GB）。
• 大小: 460 GB

6. ASAP Automated Essay Scoring [Kaggle]

• 描述: 包含八个作文集，每集由单一提示生成，作文由7至10年级学生撰写，双评分。
• 大小: 100 MB

7. ASAP Short Answer Scoring [Kaggle]

• 描述: 包含由单一提示生成的数据集，响应平均长度为50字，由10年级学生撰写，双评分。
• 大小: 35 MB

8. Classification of political social media

• 描述: 政治人物的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: 请求获取

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，涉及10,292对电影角色。
• 大小: 9.5 MB

14. Corporate messaging

• 描述: 关于公司在社交媒体上实际讨论内容的数据分类。
• 大小: 600 KB

15. Crosswikis

• 描述: 英语短语与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年以来被执行死刑的囚犯的最后遗言。
• 大小: HTML表

18. Del.icio.us

• 描述: 125万美味书签。
• 大小: 170 MB

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: 判断新闻文章是否与美国经济相关及其语气。
• 大小: 12 MB

21. Enron Email Data

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

22. Event Registry

• 描述: 提供实时新闻文章访问的免费工具。
• 大小: 查询工具

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

• 描述: 2010至2015年间由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. German Political Speeches Corpus

• 描述: 德国顶级代表的近期演讲集。
• 大小: 25 MB, 11 MTokens

30. GigaOM Wordpress Challenge [Kaggle]

• 描述: 博客文章、元数据、用户点赞。
• 大小: 1.5 GB

31. Google Books Ngrams

• 描述: 谷歌图书中的n-gram数据，也可在亚马逊S3上以Hadoop格式获取。
• 大小: 2.2 TB

32. Google Web 5gram

• 描述: 包含英语词n-gram及其观察频率计数。
• 大小: 24 GB

33. Gutenberg Ebook List

• 描述: 古腾堡电子书列表。
• 大小: 2 MB

34. Hansards text chunks of Canadian Parliament

• 描述: 加拿大议会官方记录中的130万对对齐文本块。
• 大小: 82 MB

35. Harvard Library

• 描述: 哈佛图书馆持有的超过1200万条书目记录。
• 大小: 4 GB

36. Hate speech identification

• 描述: 识别包含仇恨言论、冒犯性但无仇恨言论或完全无冒犯性的短文本。
• 大小: 3 MB

37. Hillary Clinton Emails [Kaggle]

• 描述: 希拉里·克林顿的近7000页经过大量编辑的电子邮件。
• 大小: 12 MB

38. Historical Newspapers Yearly N-grams and Entities Dataset

• 描述: 英国报纸档案库中1,000,000个最频繁的1-, 2-, 和 3-grams的年使用时间序列，以及100,000个最频繁的命名实体。
• 大小: 3.1 GB

39. Historical Newspapers Daily Word Time Series Dataset

• 描述: 1836至1922年间87年的英国和美国历史报纸中25,000个最频繁单词的每日使用时间序列。
• 大小: 2.7 GB

40. Home Depot Product Search Relevance [Kaggle]

• 描述: 包含Home Depot网站上的多个产品和真实客户搜索词，挑战是预测这些组合的关联分数。
• 大小: 65 MB

41. Identifying key phrases in text

• 描述: 问题/答案对+上下文，判断上下文是否与问题/答案相关。
• 大小: 8 MB

42. Jeopardy

• 描述: 216,930个过去的Jeopardy问题存档。
• 大小: 53 MB

43. 200k English plaintext jokes

• 描述: 来自各种来源的208,000个纯文本笑话。
• 大小: 未提供

44. Machine Translation of European Languages

• 描述: 欧洲语言的机器翻译。
• 大小: 612 MB

45. Material Safety Datasheets

• 描述: 230,000份材料安全数据表。
• 大小: 3 GB

46. 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

47. Millions of News Article URLs

• 描述: 2014年10月至2015年4月期间950多家英语新闻网站首页的230万条新闻文章URL。
• 大小: 101 MB

48. MCTest

• 描述: 用于机器理解文本研究的660个故事和相关问题集。
• 大小: 1 MB

49. NEGRA

• 描述: 德语报纸文本的句法注释语料库，免费提供给大学和非营利组织。
• 大小: 请求获取

50. 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，带类别。
• 大小: 185 MB

51. News article / Wikipedia page pairings

• 描述: 判断短文章与两个维基百科页面中的哪一个最匹配。
• 大小: 6 MB

52. NIPS2015 Papers (version 2) [Kaggle]

• 描述: NIPS2015会议的所有论文全文。
• 大小: 335 MB

53. NYTimes Facebook Data

• 描述: 纽约时报在Facebook上的所有帖子。
• 大小: 5 MB

54. 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

55. Objective truths of sentences/concept pairs

• 描述: 判断句子中两个概念之间的关系是否为真，并按1-5级评分。
• 大小: 700 KB

56. 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

57. Personae Corpus

• 描述: 用于作者归属和个性预测实验的145篇荷兰语学生论文。
• 大小: 请求获取

58. Reddit Comments

• 描述: 2015年7月之前所有公开的Reddit评论，共17亿条。
• 大小: 250 GB

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

• 描述: 上述数据集的子集。
• 大小: 8 GB

60. Reddit Submission Corpus

• 描述: 2006年1月至2015年8月31日所有公开的Reddit提交内容。
• 大小: 42 GB

61. 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的大型路透社新闻故事集合。
• 大小: 2.5 GB

62. 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

63. SMS Spam Collection

• 描述: 5,574条英语、真实且非编码的SMS消息，标记为合法或垃圾邮件。
• 大小: 200 KB

64. SouthparkData

• 描述: 包含季节、剧集、角色和台词的.csv文件。
• 大小: 3.6 MB

65. Stanford Question Answering Dataset (SQUAD 2.0)

• 描述: 阅读理解数据集，包含由众包工作者在维基百科文章上提出的问题，答案为文本段落或无法回答的问题。
• 大小: 未提供

66. Stackoverflow

• 描述: 730万条Stack Overflow问题及其他Stack Exchange站点。
• 大小: 查询工具

67. Twitter Cheng-Caverlee-Lee Scrape

• 描述: 2009年9月至2010年1月期间的地理定位推文。
• 大小: 400 MB

68. 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

69. 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

70. Twitter Sentiment140

• 描述: 与品牌/关键词相关的推文。
• 大小: 77 MB

71. Twitter sentiment analysis: Self-driving cars

• 描述: 关于自动驾驶汽车的推文，分类为非常积极、稍微积极、中性、稍微消极或非常消极。
• 大小: 1 MB

72. Twitter Elections Integrity

• 描述: 2016年美国选举期间的所有可疑推文和媒体。
• 大小: 1.4 GB

73. Twitter Tokyo Geolocated Tweets

• 描述: 东京的200,000条地理定位推文。
• 大小: 47 MB

74. Twitter UK Geolocated Tweets

• 描述: 英国的170,000条地理定位推文。
• 大小: 47 MB

75. Twitter USA Geolocated Tweets

• 描述: 美国的200,000条地理定位推文。
• 大小: 45 MB

76. 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，包括正面、负面和中性推文，以及负面原因分类。
• 大小: 2.5 MB

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

• 描述: 新闻文章标题和摘录，判断其是否与美国经济相关。
• 大小: 5 MB

78. Urban Dictionary Words and Definitions [Kaggle]

• 描述: 2016年5月之前所有Urban Dictionary单词、定义、作者、投票的清理CSV语料库。
• 大小: 238 MB

79. Wesbury Lab Usenet Corpus

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

80. Wesbury Lab Wikipedia Corpus

• 描述: 2010年4月对英文维基百科文章的快照，处理后去除了所有链接和无关材料。
• 大小: 1.8 GB

81. WorldTree Corpus of Explanation Graphs for Elementary Science Questions

• 描述: 为美国公开可用的小学科学考试问题构建的解释图语料库。
• 大小: 8 MB

82. Wikipedia Extraction (WEX)

• 描述: 英语维基百科的处理转储。
• 大小: 66 GB

83. 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的元数据。
• 大小: 500 GB

84. Yahoo! Answers Comprehensive Questions and Answers

• 描述: 截至2007年10月25日的雅虎答案语料库，包含4,483,032个问题及其答案。
• 大小: 3.6 GB

85. Yahoo! Answers consisting of questions asked in French

• 描述: 2006至2015年间法语提问的雅虎答案子集，包含1.7百万个问题及其答案。
• 大小: 3.8 GB

86. Yahoo! Answers Manner Questions

• 描述: 2007年10月25日雅虎答案转储中选出的142,627个问题及其答案，因其语言特性而选出。
• 大小: 104 MB

87. Yahoo! HTML Forms Extracted from Publicly Available Webpages

• 描述: 包含从公开可用网页中提取的2.67百万个复杂HTML表单的小样本

搜集汇总

数据集介绍

构建方式

nlp-datasets数据集是一个综合性的自然语言处理领域的数据集列表，涵盖了从邮件存档、博客文章到新闻评论等众多类型的文本数据。该数据集的构建主要通过搜集和整理网络上公开的、免费或属于公共领域的文本数据，形成了从不同领域和来源的文本数据集。

特点

nlp-datasets数据集的特点在于其多样性、开放性和实用性。它包含了丰富的文本类型，如邮件、博客、评论、新闻报道等，这些数据覆盖了广泛的主题和语言风格。此外，数据集不断更新，保证了研究者和开发者的使用需求。其开放性允许研究者和开发者自由访问和利用这些数据进行语言处理相关的研究和开发。

使用方法

使用nlp-datasets数据集时，用户可以根据自己的需求选择合适的数据集。数据集通常以列表形式提供，用户可以直接访问链接以下载数据。部分数据集可能需要通过特定的平台或工具进行访问，例如Kaggle平台。在使用数据集时，应遵守相应的使用条款和版权声明，确保合法合规地利用数据。

背景与挑战

背景概述

nlp-datasets数据集是一个按字母顺序排列的免费/公共领域文本数据集列表，旨在为自然语言处理（NLP）提供使用。该数据集涵盖了从Apache软件基金会公共邮件存档到Yahoo!答案等多样化的文本资源，创建时间不等，涉及多个研究人员和机构。这些数据集的核心研究问题包括提供用于NLP任务的大规模文本数据，并对相关领域产生了深远的影响，如推动了文本分类、情感分析、机器翻译等技术的发展。

当前挑战

nlp-datasets在构建过程中遇到的挑战主要包括数据的多样性和质量保证。数据集涵盖的领域广泛，从邮件存档到社交媒体帖子，需要对不同来源和格式的数据进行处理和清洗。此外，构建过程中还需确保数据的准确性和可靠性，以及提供有效的数据描述和元数据，以便研究人员能够正确理解和利用这些数据集。在所解决的领域问题方面，例如情感分析数据集需要解决如何准确捕捉和分类用户情感的问题，而机器翻译数据集则需解决如何提高翻译准确性和流畅度的问题。

常用场景

经典使用场景

nlp-datasets数据集是一个全面的自然语言处理领域的数据集列表，其中包含了许多经典的使用场景。最常见的使用场景包括用于机器学习模型的训练与测试，如文本分类、情感分析、命名实体识别等。此外，这些数据集也常用于学术研究，以探索语言处理的各个方面，如语言模型、信息检索和机器翻译等。

衍生相关工作

基于nlp-datasets数据集，已经衍生出许多相关的研究工作。这些工作包括对数据集的分析、改进数据集的质量、以及开发新的自然语言处理模型和算法。此外，也有许多学术论文引用了这些数据集，以支持他们的研究和发现。

数据集最近研究

最新研究方向

nlp-datasets数据集的最新研究方向主要集中在自然语言处理领域的文本数据挖掘与利用。研究者们致力于探索如何通过这些大规模的文本数据集来提升机器学习模型的性能，尤其是在文本分类、情感分析、信息检索和机器翻译等方面。当前研究热点包括利用深度学习技术进行文本生成、情感识别以及跨语言的信息抽取。此外，数据集的多样性和规模也为风格迁移、作者识别以及个性化推荐等任务提供了丰富的实验土壤。