BBCSport

This dataset consists of 737 documents from the BBC Sport website, corresponding to sports news articles in five topical areas from 2004-2005. The class labels are divided into five categories: athletics, cricket, football, rugby, and tennis. The datasets have been pre-processed using the Porter stemming algorithm, stop-word removal, and filtering out terms with low frequency (count < 3). The files in the archives include: *.mtx (original term frequencies stored in a sparse data matrix in Matrix Market format), *.terms (list of content-bearing terms in the corpus, each line corresponding to a row of the sparse data matrix), *.docs (list of document identifiers, each line corresponding to a column of the sparse data matrix), *.classes (assignment of documents to natural classes, each line corresponding to a document), and *.urls (links to original articles, where appropriate).

本数据集包含来自BBC Sport网站的737篇文档，对应2004至2005年间5个主题领域的体育新闻稿件。其类别标签共分为五大类：田径（athletics）、板球（cricket）、足球（football）、橄榄球（rugby）以及网球（tennis）。本数据集已完成预处理操作，具体包括采用波特词干提取算法（Porter stemming algorithm）、停用词去除，以及过滤词频低于3的低频词项。归档包内包含以下文件：*.mtx（以Matrix Market格式存储的稀疏数据矩阵，内含原始词频信息）、*.terms（语料库中具备语义承载功能的词项列表，每行对应稀疏数据矩阵的一行）、*.docs（文档标识符列表，每行对应稀疏数据矩阵的一列）、*.classes（文档所属自然类别映射表，每行对应一篇文档）以及*.urls（对应原文报道的链接，视情况提供）。

搜集汇总

背景与挑战

背景概述

BBCSport数据集包含737篇BBC体育新闻文章，分为五个类别（田径、板球、足球、橄榄球和网球），并已进行词干提取和停用词去除等预处理。