nlp-datasets

包含自然语言处理(NLP)相关文本数据集的字母顺序列表，主要提供免费/公共领域的原始非结构化文本数据。

An alphabetical list of datasets related to Natural Language Processing (NLP), primarily offering free/public domain raw unstructured text data.

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: 包含19,320名博主在2004年8月收集的帖子，共计681,288篇帖子，超过1400万字。
• 大小: 298 MB

3. Amazon Fine Food Reviews [Kaggle]

• 描述: 包含568,454条亚马逊用户在2012年10月之前留下的食品评论。
• 大小: 240 MB

4. Amazon Reviews

• 描述: 斯坦福大学收集的3500万条亚马逊评论。
• 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）。

6. ASAP Automated Essay Scoring [Kaggle]

• 描述: 包含八套论文集，每套由单一提示生成，平均长度150至550字，由7至10年级学生撰写，手工评分并双评分。
• 大小: 100 MB

7. ASAP Short Answer Scoring [Kaggle]

• 描述: 每套数据集由单一提示生成，平均长度50字，主要由10年级学生撰写，手工评分并双评分。
• 大小: 35 MB

8. Classification of political social media

• 描述: 政治社交媒体消息根据内容分类。
• 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，但也可用于其他应用。
• 获取方式: 需申请

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50亿个网页的网络爬虫数据。
• 大小: 541 TB

13. Cornell Movie Dialog Corpus

• 描述: 包含大量从电影剧本中提取的虚构对话，涉及10,292对电影角色，617部电影。
• 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: 从维基百科中提取的结构化信息，使其在网络上可用。
• 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。

18. Del.icio.us

• 描述: 125万条美味书签。

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: 判断与美国经济相关的新闻文章的相关性和语气，日期范围从1951年到2014年。
• 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: 提供来自全球100,000个新闻出版商的实时新闻文章访问的免费工具。
• 获取方式: 查询工具

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

• 描述: 300万条由现已关闭的点击诱饵网站The Examiner发布的众包新闻标题。
• 大小: 200 MB

24. Federal Contracts from the Federal Procurement Data Center (USASpending.gov)

• 描述: 来自联邦采购数据中心的联邦合同数据转储。
• 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中所有当前事实和断言的数据转储。
• 大小: 35 GB

29. GigaOM Wordpress Challenge [Kaggle]

• 描述: 博客帖子、元数据、用户点赞。
• 大小: 1.5 GB

30. Google Books Ngrams

• 描述: 在亚马逊S3上也可用的Hadoop格式。
• 大小: 2.2 TB

31. Google Web 5gram

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

32. Gutenberg Ebook List

• 描述: 带注释的电子书列表。
• 大小: 2 MB

33. Hansards text chunks of Canadian Parliament

• 描述: 来自加拿大议会官方记录（Hansards）的130万对对齐文本块。
• 大小: 82 MB

34. Harvard Library

• 描述: 哈佛图书馆持有的超过1200万条书目记录，包括书籍、期刊、电子资源等。
• 大小: 4 GB

35. Hate speech identification

• 描述: 包含近15,000行，每行文本有三个贡献者判断是否包含仇恨言论、冒犯性言论或非冒犯性。
• 大小: 3 MB

36. Hillary Clinton Emails [Kaggle]

• 描述: 近7,000页的克林顿大量编辑的电子邮件。
• 大小: 12 MB

37. 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，挑战是预测提供的搜索词和产品组合的相关性得分。
• 大小: 65 MB

38. Identifying key phrases in text

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

39. Jeopardy

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

40. 200k English plaintext jokes

• 描述: 来自各种来源的208,000个纯文本笑话存档。

41. Machine Translation of European Languages

• 描述: 欧洲语言的机器翻译。
• 大小: 612 MB

42. Material Safety Datasheets

• 描述: 230,000份材料安全数据表。
• 大小: 3 GB

43. Million News Headlines - ABC Australia [Kaggle]

• 描述: 130万条由ABC新闻澳大利亚从2003年到2017年发布的新闻标题。
• 大小: 56 MB

44. 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

45. NEGRA

• 描述: 德语报纸文本的语法注释语料库，可供所有大学和非营利组织免费使用。
• 获取方式: 需申请

46. News Headlines of India - Times of India [Kaggle]

• 描述: 270万条由印度时报从2001年到2017年发布的新闻标题，带类别。
• 大小: 185 MB

47. News article / Wikipedia page pairings

• 描述: 贡献者阅读一篇短文章，并被要求判断它最接近哪两个维基百科文章。
• 大小: 6 MB

48. NIPS2015 Papers (version 2) [Kaggle]

• 描述: NIPS2015论文的全文。
• 大小: 335 MB

49. NYTimes Facebook Data

• 描述: 所有纽约时报的Facebook帖子。
• 大小: 5 MB

50. One Week of Global News Feeds [Kaggle]

• 描述: 2017年8月一周内全球发布的140万篇文章的新闻事件数据集，涵盖20种语言。
• 大小: 115 MB

51. Objective truths of sentences/concept pairs

• 描述: 贡献者阅读包含两个概念的句子，并被要求判断句子是否可能为真，并按1-5级评分。
• 大小: 700 KB

52. 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

53. Personae Corpus

• 描述: 用于作者归属和个性预测实验的145个荷兰语学生论文语料库。
• 获取方式: 需申请

54. Reddit Comments

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

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

• 描述: 上述数据集的子集。
• 大小: 8 GB

56. Reddit Submission Corpus

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

57. 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

58. SaudiNewsNet

• 描述: 从各种在线沙特报纸提取的31,030篇阿拉伯语新闻文章及其元数据。
• 大小: 2 MB

59. SMS Spam Collection

• 描述: 5,574条英语、真实且非编码的短信，标记为合法（ham）或垃圾邮件（spam）。
• 大小: 200 KB

60. SouthparkData

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

61. Stackoverflow

• 描述: 730万条Stackoverflow问题+其他Stack Exchange。
• 获取方式: 查询工具

62. Twitter Cheng-Caverlee-Lee Scrape

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

63. 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大量讨论的Twitter情绪数据集。
• 大小: 2 MB

64. 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

65. Twitter Sentiment140

• 描述: 与品牌/关键词相关的推文。
• 大小: 77 MB

66. Twitter sentiment analysis: Self-driving cars

• 描述: 贡献者阅读推文并将其分类为非常积极、稍微积极、中性、稍微消极或非常消极，并标记是否与自动驾驶汽车无关。
• 大小: 1 MB

67. Twitter Tokyo Geolocated Tweets

• 描述: 东京的200,000条推文。
• 大小: 47 MB

68. Twitter UK Geolocated Tweets

• 描述: 英国的170,000条推文。
• 大小: 47 MB

69. Twitter USA Geolocated Tweets

• 描述: 美国的200,000条推文。
• 大小: 45 MB

70. 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，数据来自2015年2月的Twitter，贡献者首先分类为积极、消极和中性，然后分类为负面原因。
• 大小: 2.5 MB

71. 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

72. Urban Dictionary Words and Definitions [Kaggle]

• 描述: 260万条Urban Dictionary单词、定义、作者、投票的清理CSV语料库，截至2016年5月。
• 大小: 238 MB

73. Wesbury Lab Usenet Corpus

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

74. Wesbury Lab Wikipedia Corpus

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

75. Wikipedia Extraction (WEX)

• 描述: 英语维基百科的加工转储。
• 大小: 66 GB

76. Wikipedia XML Data

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

77. Yahoo! Answers Comprehensive Questions and Answers

• 描述: 截至2007年10月25日的Yahoo! Answers语料库，包含4,483,032个问题及其答案。
• 大小: 3.6 GB

78. Yahoo! Answers consisting of questions asked in French

• 描述: 2006年至2015年间Yahoo! Answers语料库的子集，包含170万个用法语提问的问题及其答案。
• 大小: 3.8 GB

79. Yahoo! Answers Manner Questions

• 描述: 2007年10月25日转储的Yahoo! Answers语料库子集，根据其语言特性选择，包含142,627个问题及其答案。
• 大小: 104 MB

80. Yahoo! HTML Forms Extracted from Publicly Available Webpages

• 描述: 包含从公开可用网页提取的复杂HTML表单的小样本，包含267万个复杂表单。
• 大小: 50+ GB

81. Yahoo! Metadata Extracted from Publicly Available Web Pages

• 描述: 1亿个RDF数据三元组。
• 大小: 2 GB

82. Yahoo N-Gram Representations

• 描述: 包含n-gram表示的数据集，可用于查询重写任务和单词及句子相似性任务。
• 大小: 2.6 GB

83. Yahoo! N-Grams, version 2.0

• 描述: 从14.6万个文档中提取的n-grams（n=1到5），这些文档是从12000个新闻导向站点爬取的。
• 大小: 12 GB

84. Yahoo! Search Logs with Relevance Judgments

• 描述: 带相关性判断的匿名Yahoo!搜索日志。
• 大小: 1.3 GB

85. Yahoo! Semantically Annotated Snapshot of the English Wikipedia

• 描述: 2006年11月4日处理的英语维基百科的语义注释快照。
• 大小: 6 GB

86. Yelp

• 描述: 包括餐厅排名

搜集汇总

数据集介绍

构建方式

nlp-datasets 是一个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、产品评论到社交媒体消息等多样化的文本数据来源。该数据集的构建主要通过收集公开可用的文本数据，包括但不限于Apache软件基金会邮件存档、博客作者ship corpus、亚马逊产品评论等，旨在为NLP研究提供丰富的数据资源。

特点

nlp-datasets 的特点在于其内容的丰富性和多样性，包含了不同来源和类型的文本数据，如未结构化的原始文本数据、注释语料库、树库等。此外，数据集提供了便捷的访问方式，大部分数据集都是公开可用的，便于研究者进行下载和利用。

使用方法

使用 nlp-datasets 的方法主要包括直接访问GitHub页面上的数据集链接进行下载，或者通过Kaggle、AWS Public Datasets等平台获取相关数据。用户需要根据数据集的具体要求和用途，选择合适的数据集，并遵循相应的使用条款和条件。

背景与挑战

背景概述

nlp-datasets是一个自然语言处理（NLP）领域的数据集列表，由Alphabetical order排列，旨在为研究者提供丰富的文本数据资源。该数据集涵盖了从Apache软件基金会邮件存档到YouTube视频描述的广泛领域，创建于2011年7月11日，由多个研究人员和机构共同维护，核心研究问题是如何有效地收集和利用这些文本数据进行NLP相关任务的研究。该数据集对NLP领域产生了重要影响，为众多研究提供了基础数据支持。

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规模性。首先，数据集涵盖了多种类型的数据，从邮件存档到社交媒体帖子，这要求研究者必须具备处理不同数据格式的技术。其次，数据规模巨大，如Common Crawl Corpus包含了超过50亿个网页，这要求高效的数据处理和分析能力。此外，数据的质量和标注的一致性也是挑战之一，因为不同的数据来源可能导致标注和质量控制的差异。

常用场景

经典使用场景

nlp-datasets数据集是一个全面的语言处理资源集，其经典使用场景在于为自然语言处理任务提供丰富的文本数据。例如，Apache软件基金会公共邮件存档可用于分析邮件交流模式，而Blog Authorship Corpus则适用于博客作者的识别与风格分析。Amazon产品评论数据集可用于情感分析，以了解消费者对产品的看法。

解决学术问题

该数据集解决了多种学术研究问题，如文本分类、情感分析、机器翻译、信息检索等。它为研究者提供了海量的文本资源，使得他们能够训练和测试各种NLP模型，从而推动了自然语言处理领域的发展。例如，通过使用Amazon Fine Food Reviews数据集，研究者能够分析和预测消费者的情感倾向。

衍生相关工作

基于nlp-datasets的数据集，已经衍生出许多相关的工作。例如，一些研究者利用这些数据集开发了新的文本分类算法，另一些则通过这些数据集来评估和比较不同的自然语言处理技术。此外，还有研究者使用这些数据集进行跨语言的信息检索和机器翻译等领域的探索。