Federated Stack Overflow

数据由所有问题和答案的正文组成。身体被解析成句子，任何少于 100 个句子的用户都会从数据中删除。最少的预处理如下进行： 小写文本， 对 HTML 符号进行转义， 删除非ASCII符号， 单独的标点符号作为单独的标记（撇号和连字符除外）， 去除多余的空白， 用特殊标记替换 URLS。 此外，还提供以下元数据： 创建日期 问题标题 问题标签 问题分数 类型（“问题”或“答案”） 数据分为三组： 训练：2018-01-01 UTC 之前的数据，保留的用户除外。 342,477 个唯一用户，135,818,730 个示例。 保留：来自 user_id % 10 == 0 的用户的所有示例（所有日期）。 38,758 个唯一用户，16,491,230 个示例。 测试：2018 年 1 月 1 日 UTC 之后的所有示例，来自坚持用户的除外。 204,088 个独立用户，16,586,035 个示例。