nlp-datasets

包含自然语言处理(NLP)领域免费/公共域文本数据集的字母顺序列表。大多数数据集提供原始非结构化文本数据，如需注释的语料库或树库，请参考底部来源。

An alphabetical list of free/public domain text datasets in the field of Natural Language Processing (NLP). Most datasets provide raw unstructured text data; for annotated corpora or treebanks, please refer to the sources listed at the bottom.

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: 2004年8月从blogger.com收集的19,320名博主的帖子。
• 大小: 298 MB

3. Amazon Fine Food Reviews [Kaggle]

• 描述: 截至2012年10月的568,454条亚马逊食品评论。
• 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及源文件。
• 大小: 270 GB + 190 GB

6. ASAP Automated Essay Scoring [Kaggle]

• 描述: 八组论文，每组由单一提示生成，由7至10年级学生撰写。
• 大小: 100 MB

7. ASAP Short Answer Scoring [Kaggle]

• 描述: 每组数据由单一提示生成，主要由10年级学生撰写。
• 大小: 35 MB

8. Classification of political social media

• 描述: 政治社交媒体消息的内容分类。
• 大小: 4 MB

9. CLiPS Stylometry Investigation (CSI) Corpus

• 描述: 每年扩充的学生文本，主要用于文体学研究。
• 大小: 需请求

10. ClueWeb09 FACC

• 描述: ClueWeb09数据集，带有Freebase注释。
• 大小: 72 GB

11. ClueWeb11 FACC

• 描述: ClueWeb11数据集，带有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: 从电影剧本中提取的大量虚构对话。
• 大小: 9.5 MB

14. Corporate messaging

• 描述: 关于公司在社交媒体上实际谈论内容的分类数据。
• 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年以来被执行的每个囚犯的最后遗言。
• 大小: HTML表

18. Del.icio.us

• 描述: 125万条美味书签。
• 大小: 未提供

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: 关于美国经济的新闻文章的相关性和语气。
• 大小: 12 MB

21. Enron Email Data

• 描述: 包含1,227,255封电子邮件，涵盖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. 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

24. Flickr Personal Taxonomies

• 描述: 个人标签的树形数据集。
• 大小: 40 MB

25. 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

26. 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

27. Freebase Quad Dump

• 描述: Freebase中所有当前事实和断言的数据转储。
• 大小: 35 GB

28. GigaOM Wordpress Challenge [Kaggle]

• 描述: 博客文章、元数据和用户喜欢。
• 大小: 1.5 GB

29. Google Books Ngrams

• 描述: 谷歌图书的N-gram数据，也可在亚马逊S3上以Hadoop格式提供。
• 大小: 2.2 TB

30. Google Web 5gram

• 描述: 包含英语单词N-gram及其观察频率计数。
• 大小: 24 GB

31. Gutenberg Ebook List

• 描述: 带注释的电子书列表。
• 大小: 2 MB

32. 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

33. 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

34. Hate speech identification

• 描述: 包含近15,000行文本，每行文本有三个贡献者判断。
• 大小: 3 MB

35. Hillary Clinton Emails [Kaggle]

• 描述: 近7,000页的克林顿电子邮件。
• 大小: 12 MB

36. Home Depot Product Search Relevance [Kaggle]

• 描述: 包含Home Depot网站上的产品和真实客户搜索词。
• 大小: 65 MB

37. Identifying key phrases in text

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

38. Jeopardy

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

39. Machine Translation of European Languages

• 描述: 欧洲语言的机器翻译。
• 大小: 612 MB

40. Material Safety Datasheets

• 描述: 230,000份材料安全数据表。
• 大小: 3 GB

41. MCTest

• 描述: 用于研究机器文本理解的660个故事和相关问题集。
• 大小: 1 MB

42. NEGRA

• 描述: 德语报纸文本的语法注释语料库。
• 大小: 需请求

43. News article / Wikipedia page pairings

• 描述: 新闻文章与维基百科页面的配对。
• 大小: 6 MB

44. NIPS2015 Papers (version 2) [Kaggle]

• 描述: NIPS2015会议的所有论文全文。
• 大小: 335 MB

45. NYTimes Facebook Data

• 描述: 所有纽约时报的Facebook帖子。
• 大小: 5 MB

46. Objective truths of sentences/concept pairs

• 描述: 包含句子与概念对的客观真理数据。
• 大小: 700 KB

47. 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

48. Personae Corpus

• 描述: 用于作者归属和个性预测实验的145篇荷兰语论文。
• 大小: 需请求

49. Reddit Comments

• 描述: 截至2015年7月的所有公开Reddit评论。
• 大小: 250 GB

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

• 描述: 上述数据集的子集。
• 大小: 8 GB

51. Reddit Submission Corpus

• 描述: 2006年1月至2015年8月31日的所有公开Reddit提交。
• 大小: 42 GB

52. Reuters Corpus

• 描述: 用于研究和开发自然语言处理、信息检索和机器学习系统的大型路透社新闻故事集合。
• 大小: 2.5 GB

53. 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

54. SMS Spam Collection

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

55. SouthparkData

• 描述: 包含季节、集数、角色和台词的脚本信息。
• 大小: 3.6 MB

56. Stackoverflow

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

57. Twitter Cheng-Caverlee-Lee Scrape

• 描述: 2009年9月至2010年1月的推文，地理位置定位。
• 大小: 400 MB

58. Twitter New England Patriots Deflategate sentiment

• 描述: 关于2015年超级碗前充气足球争议的Twitter情绪分析。
• 大小: 2 MB

59. Twitter Progressive issues sentiment analysis

• 描述: 关于各种左倾问题的推文，分类为支持、反对或中立。
• 大小: 600 KB

60. Twitter Sentiment140

• 描述: 与品牌/关键词相关的推文。
• 大小: 77 MB

61. Twitter sentiment analysis: Self-driving cars

• 描述: 关于自动驾驶汽车的推文情绪分析。
• 大小: 1 MB

62. Twitter Tokyo Geolocated Tweets

• 描述: 东京的200,000条推文。
• 大小: 47 MB

63. Twitter UK Geolocated Tweets

• 描述: 英国的170,000条推文。
• 大小: 47 MB

64. Twitter USA Geolocated Tweets

• 描述: 美国的200,000条推文。
• 大小: 45 MB

65. Twitter US Airline Sentiment [Kaggle]

• 描述: 关于美国主要航空公司问题的情绪分析。
• 大小: 2.5 MB

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

• 描述: 新闻文章标题和摘要对美国经济的相关性排名。
• 大小: 5 MB

67. 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

68. Wesbury Lab Wikipedia Corpus

• 描述: 2010年4月对英语维基百科文章的快照。
• 大小: 1.8 GB

69. Wikipedia Extraction (WEX)

• 描述: 英语维基百科的加工转储。
• 大小: 66 GB

70. Wikipedia XML Data

• 描述: 所有维基媒体wiki的完整副本，以wikitext源和嵌入XML的元数据形式。
• 大小: 500 GB

71. Yahoo! Answers Comprehensive Questions and Answers

• 描述: 截至2007年10月25日的雅虎答案语料库。
• 大小: 3.6 GB

72. Yahoo! Answers consisting of questions asked in French

• 描述: 2006年至2015年间用法语提问的雅虎答案子集。
• 大小: 3.8 GB

73. Yahoo! Answers Manner Questions

• 描述: 2007年10月25日转储的雅虎答案子集，用于其语言特性。
• 大小: 104 MB

74. Yahoo! HTML Forms Extracted from Publicly Available Webpages

• 描述: 包含复杂HTML表单的小样本页面。
• 大小: 50+ GB

75. Yahoo! Metadata Extracted from Publicly Available Web Pages

• 描述: 1亿个RDF数据三元组。
• 大小: 2 GB

76. Yahoo N-Gram Representations

• 描述: 包含N-gram表示的数据集。
• 大小: 2.6 GB

77. Yahoo! N-Grams, version 2.0

• 描述: 从1460万份文档中提取的N-grams（N=1至5）。
• 大小: 12 GB

78. Yahoo! Search Logs with Relevance Judgments

• 描述: 带相关性判断的匿名雅虎搜索日志。
• 大小: 1.3 GB

79. Yahoo! Semantically Annotated Snapshot of the English Wikipedia

• 描述: 2006年11月4日的英语维基百科，经过多种公开可用的NLP工具处理。
• 大小: 6 GB

80. Yelp

• 描述: 包括餐厅排名和220万条评论。
• 大小: 需请求

81. Youtube

• 描述: 170万个YouTube视频描述。
• 大小: 未提供

搜集汇总

数据集介绍

构建方式

nlp-datasets数据集是一个全面收录自然语言处理领域公开可用文本数据的列表。该数据集的构建主要通过搜集和整理互联网上散布的各类文本数据，涵盖从邮件档案、博客文章到新闻评论等众多领域，以满足NLP研究和应用的需要。

特点

该数据集的特点在于其全面性和多样性，包含了大量未经加工的原始文本数据，同时也提供了部分经过注释的语料库或树库。此外，数据集在更新和扩充方面保持活跃，能够反映NLP领域数据资源的最新发展。

使用方法

用户可以通过数据集提供的链接直接访问和下载所需的数据资源。对于某些需要权限或特殊请求的数据集，用户需要遵循相应的指南或协议来获取数据。使用数据集时，应确保遵守相关的使用条款和版权规定。

背景与挑战

背景概述

nlp-datasets是一个旨在为自然语言处理（NLP）领域研究者提供免费公共领域文本数据集的列表。该数据集涵盖了从邮件存档、博客文章到新闻评论等多样化的文本资源，创建于信息时代背景下，反映了自然语言处理技术发展过程中对大规模文本数据的需求。该数据集由多个研究人员和机构共同维护，不断更新，以适应NLP领域的发展趋势，对相关研究产生了深远影响。

当前挑战

nlp-datasets在构建过程中面临的挑战主要包括数据的多样性与质量保证。由于数据集包含的类型广泛，涉及多个来源和格式，确保数据的一致性和可用性是一项复杂的工作。此外，数据集在解决领域问题如文本分类、情感分析等方面也面临挑战，包括如何有效地标注数据、处理噪声数据以及如何提升模型的泛化能力等。

常用场景

经典使用场景

nlp-datasets数据集在自然语言处理领域被广泛使用，其经典的使用场景包括构建语言模型、文本分类、情感分析、信息提取等任务。该数据集提供了丰富的文本资源，可供研究者进行深度学习模型的训练和评估，例如，利用Amazon Fine Food Reviews数据集进行情感分析，以预测用户对商品的评价。

实际应用

在实际应用中，nlp-datasets数据集可用于社交媒体分析、客户服务、市场分析等多个领域。例如，通过分析Twitter上的用户评论，企业可以了解公众对其产品的看法，进而改善服务；在金融领域，分析新闻报道的情感倾向可以帮助预测市场走向。

衍生相关工作

基于nlp-datasets数据集，衍生出了一系列相关的研究工作。研究者们利用这些数据进行语言模型训练、情感分析、文本生成等任务，并发表了众多学术论文。此外，这些数据集还促进了跨学科的研究，如结合心理学、社会学等领域的理论研究。