Sogou news 新闻数据集

Sogou News Dataset 是由 SogouCA 和 SogouCS 新闻语料库构成的数据集，其拥有 5 个类别共计 2,909,551 篇文章，每个类别均包含 90,000 个训练样本和 12,000 个测试样本，并且这些样本均以转换为拼音。

The Sogou News Dataset is a collection constructed from the SogouCA and SogouCS news corpora. It contains a total of 2,909,551 articles across 5 categories, with each category comprising 90,000 training samples and 12,000 test samples. All samples in this dataset have been converted to Pinyin.

搜集汇总

背景与挑战

背景概述

Sogou News 新闻数据集是一个大型中文新闻语料库，由SogouCA和SogouCS构成，包含5个类别总计超过290万篇文章，每个类别提供标准化的训练和测试样本，且所有文本已转换为拼音形式。该数据集适用于自然语言处理任务如文本生成和分类，但仅限于非商业用途，数据规模较大（366.5 MB），发布于3年前。