nlp-datasets

包含自然语言处理(NLP)使用的免费/公共领域文本数据集的字母顺序列表。

An alphabetical list of free/public domain text datasets used for Natural Language Processing (NLP).

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

3. Amazon Fine Food Reviews [Kaggle]

• 描述: 包含568,454条亚马逊用户对食品的评论，截至2012年10月。
• 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及源文件。
• 大小: 270 GB (全文) + 190 GB (源文件)

6. ASAP Automated Essay Scoring [Kaggle]

• 描述: 包含八个作文集，由7至10年级学生撰写，均手工评分并双评分。
• 大小: 100 MB

7. ASAP Short Answer Scoring [Kaggle]

• 描述: 每个数据集由一个提示生成，主要由10年级学生撰写，均手工评分并双评分。
• 大小: 35 MB

8. Classification of political social media

• 描述: 政治社交媒体消息按内容分类。
• 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。
• 大小: 请求获取

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50亿网页的网络爬虫数据。
• 大小: 541 TB

13. Cornell Movie Dialog Corpus

• 描述: 包含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讨论内容的数据分类。
• 大小: 600 KB

15. Crosswikis

• 描述: 英文短语到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。
• 大小: 17 GB

17. Death Row

• 描述: 自1984年以来被执行死刑的囚犯的最后遗言。
• 大小: HTML表格

18. Del.icio.us

• 描述: 125万条美味书签。
• 大小: 170 MB

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: 1951年至2014年间的新闻文章，判断其是否与美国经济相关及其语气。
• 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. Examiner.com - Spam Clickbait News Headlines [Kaggle]

• 描述: 2010年至2015年间由现已关闭的点击诱饵网站The Examiner发布的300万条新闻标题。
• 大小: 200 MB

24. 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

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中的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中的所有当前事实和断言的数据转储。
• 大小: 35 GB

29. German Political Speeches Corpus

• 描述: 德国顶级代表的近期演讲集。
• 大小: 25 MB, 11 MTokens

30. GigaOM Wordpress Challenge [Kaggle]

• 描述: 博客文章、元数据、用户点赞。
• 大小: 1.5 GB

31. Google Books Ngrams

• 描述: 谷歌图书中的N元语法数据，也可在亚马逊S3上以Hadoop格式获取。
• 大小: 2.2 TB

32. Google Web 5gram

• 描述: 包含英语单词n元语法及其观察频率计数。
• 大小: 24 GB

33. Gutenberg Ebook List

• 描述: 带注释的电子书列表。
• 大小: 2 MB

34. Hansards text chunks of Canadian Parliament

• 描述: 加拿大第36届议会的官方记录中的130万对对齐文本块。
• 大小: 82 MB

35. 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

36. Hate speech identification

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

37. Hillary Clinton Emails [Kaggle]

• 描述: 近7,000页的克林顿高度编辑的电子邮件。
• 大小: 12 MB

38. Historical Newspapers Yearly N-grams and Entities Dataset

• 描述: 英国报纸档案库中1,000,000个最频繁的1-, 2-, 和 3-grams的使用时间序列，以及100,000个最频繁的命名实体。
• 大小: 3.1 GB

39. Historical Newspapers Daily Word Time Series Dataset

• 描述: 1836年至1922年间87年的英国和美国历史报纸中25,000个最频繁单词的每日使用时间序列。
• 大小: 2.7 GB

40. 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

41. 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

42. Jeopardy

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

43. 200k English plaintext jokes

• 描述: 来自各种来源的208,000个纯文本笑话存档。
• 大小: 未提供

44. Machine Translation of European Languages

• 描述: 欧洲语言的机器翻译。
• 大小: 612 MB

45. Material Safety Datasheets

• 描述: 230,000份材料安全数据表。
• 大小: 3 GB

46. Million News Headlines - ABC Australia [Kaggle]

• 描述: ABC新闻澳大利亚从2003年到2017年发布的130万个新闻标题。
• 大小: 56 MB

47. Millions of News Article URLs

• 描述: 2014年10月至2015年4月期间，来自950多个英语新闻网站首页的230万个新闻文章URL。
• 大小: 101 MB

48. MCTest

• 描述: 包含660个故事及其相关问题的自由可用集合，用于机器文本理解研究。
• 大小: 1 MB

49. NEGRA

• 描述: 德语报纸文本的句法注释语料库。
• 大小: 请求获取

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

• 描述: 《印度时报》从2001年到2017年发布的270万个新闻标题，带类别。
• 大小: 185 MB

51. News article / Wikipedia page pairings

• 描述: 贡献者阅读短文章并询问哪个维基百科页面与之最匹配。
• 大小: 6 MB

52. NIPS2015 Papers (version 2) [Kaggle]

• 描述: NIPS2015会议的所有论文全文。
• 大小: 335 MB

53. NYTimes Facebook Data

• 描述: 所有《纽约时报》的Facebook帖子。
• 大小: 5 MB

54. 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

55. Objective truths of sentences/concept pairs

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

56. 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

57. Personae Corpus

• 描述: 用于作者归属和个性预测实验的145篇荷兰语学生论文。
• 大小: 请求获取

58. Reddit Comments

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

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

• 描述: 上述数据集的子集。
• 大小: 8 GB

60. 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

61. Reuters Corpus

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

62. 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

63. SMS Spam Collection

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

64. SouthparkData

• 描述: 包含季节、剧集、角色和台词的剧本信息CSV文件。
• 大小: 3.6 MB

65. Stanford Question Answering Dataset (SQUAD 2.0)

• 描述: 阅读理解数据集，包含由众包工作者在维基百科文章上提出的问题，答案为相应阅读段落中的文本段，或问题可能无法回答。
• 大小: 未提供

66. Stackoverflow

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

67. 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

68. 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Twitter情感分析。
• 大小: 2 MB

69. 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

70. Twitter Sentiment140

• 描述: 与品牌/关键词相关的推文。网站包括论文和研究想法。
• 大小: 77 MB

71. 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

72. Twitter Elections Integrity

• 描述: 2016年美国选举中所有可疑推文和媒体。
• 大小: 1.4 GB

73. Twitter Tokyo Geolocated Tweets

• 描述: 东京的200,000条推文。
• 大小: 47 MB

74. Twitter UK Geolocated Tweets

• 描述: 英国的170,000条推文。
• 大小: 47 MB

75. Twitter USA Geolocated Tweets

• 描述: 美国的200,000条推文。
• 大小: 45 MB

76. Twitter US Airline Sentiment [Kaggle]

• 描述: 关于美国主要航空公司问题的情感分析工作，包括2015年2月的推文，贡献者首先分类为积极、消极和中性，然后分类消极原因。
• 大小: 2.5 MB

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

• 描述: 新闻文章标题和摘录，判断是否与美国经济相关。
• 大小: 5 MB

78. Urban Dictionary Words and Definitions [Kaggle]

• 描述: 截至2016年5月的所有Urban Dictionary单词、定义、作者、投票的清理CSV语料库。
• 大小: 238 MB

79. Wesbury Lab Usenet Corpus

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

80. Wesbury Lab Wikipedia Corpus

• 描述: 2010年4月拍摄的英文维基百科所有文章的快照，已处理以去除所有链接和无关材料。
• 大小: 1.8 GB

81. WorldTree Corpus of Explanation Graphs for Elementary Science Questions

• 描述: 为美国公开可用的小学科学考试问题手动构建的解释图、解释角色评级和相关半结构化表格存储。
• 大小: 8 MB

82. Wikipedia Extraction (WEX)

• 描述: 英语维基百科的加工转储。
• 大小: 66 GB

83. Wikipedia XML Data

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

84. Yahoo! Answers Comprehensive Questions and Answers

• 描述: 截至2007年10月25日的雅虎答案语料库，包含4,483,032个问题及其答案。
• 大小: 3.6 GB

85. Yahoo! Answers consisting of questions asked in French

• 描述: 2006年至2015年间雅虎答案语料库的子集，包含170万个用法语提出的问题及其相应的答案。
• 大小: 3.8 GB

86. Yahoo! Answers Manner Questions

• 描述: 2007年10月25日转储的雅虎答案语料库子集，

搜集汇总

数据集介绍

构建方式

nlp-datasets数据集是一份全面列举自然语言处理领域免费公开数据集的资源列表，涵盖了从邮件存档、博客文章到新闻评论、社交媒体帖子等多种类型的文本数据。数据集构建主要通过收集和整理网络上可公开获取的文本数据资源，并对这些资源进行分类整理，形成了该数据集。

特点

该数据集的特点在于其全面性和多样性。它不仅包含了大量的原始未结构化文本数据，还包括了一些已经注释的语料库和树库，为自然语言处理研究提供了丰富的资源。此外，数据集还持续更新，反映了最新的研究成果和数据可用性。

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。对于每一个数据集，用户应当仔细阅读其使用条款，遵循相关法律法规和数据使用规范。部分数据集可能需要注册或特殊请求才能获取。在使用数据集时，建议用户根据自身研究需求进行筛选和预处理，以确保数据质量和研究结果的准确性。

背景与挑战

背景概述

nlp-datasets是一个自然语言处理（NLP）领域的数据集汇总，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Yahoo!答案的广泛数据资源，创建时间不等，涉及多个研究机构和研究人员。其核心研究问题是收集和整理各类文本数据，以支持NLP任务的研发。nlp-datasets对相关领域的影响深远，为众多NLP研究和应用提供了数据基础。

当前挑战

在构建nlp-datasets的过程中，研究人员面临了诸多挑战。首先是数据的多样性和异构性，不同来源的数据在格式、质量和可用性上存在很大差异。其次，数据标注和清洗的工作量巨大，且需要保证数据的准确性和一致性。此外，随着数据量的不断增长，存储和处理的成本也在增加，对研究者的计算资源提出了更高的要求。

常用场景

经典使用场景

nlp-datasets数据集是一个全面的自然语言处理领域的数据集列表，其中包含了大量未经加工的原始文本数据。它的经典使用场景包括作为自然语言处理任务的训练集、测试集或验证集，例如文本分类、情感分析、命名实体识别等。研究者可以从中选择合适的数据集来训练模型，并对模型进行评估。

实际应用

在实际应用中，nlp-datasets数据集可用于构建和优化自然语言处理模型，这些模型可以应用于社交媒体分析、客户服务自动化、信息检索、新闻聚合等多个领域。它帮助开发者在实际项目中实现了对自然语言的理解和生成，提高了应用程序的智能水平。

衍生相关工作

基于nlp-datasets数据集，衍生出了许多相关的工作，包括但不限于构建特定领域的语料库、开发新的自然语言处理模型、以及针对特定任务的数据增强和预处理方法。这些工作进一步推动了自然语言处理技术的进步和应用。