LSHTC

LSHTC 是用于大规模文本分类的数据集。 LSHTC 挑战中使用的数据来自两个流行的来源：DBpedia 和 ODP（开放目录项目）目录，也称为 DMOZ。 DBpedia 实例选自 DBpedia 站点提供的英语、非区域扩展摘要。 DMOZ 实例由内容向量、描述向量或两者组成。内容向量是通过使用标准索引链（预处理、词干提取/词形还原、停用词删除）直接索引网页来获得的。