nlp-datasets

github2018-05-13 更新2024-05-31 收录

下载链接：

https://github.com/bilash/nlp-datasets

下载链接

链接失效反馈

官方服务：

资源简介：

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/公共域的原始非结构化文本数据。

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

创建时间：

2017-11-08

原始信息汇总

数据集概述

自然语言处理（NLP）相关数据集列表

1. Apache Software Foundation Public Mail Archives

描述: 包含所有公开的Apache Software Foundation邮件档案，截至2011年7月11日。
大小: 200 GB

2. Blog Authorship Corpus

描述: 收集了19,320名博主在2004年8月的博客文章，共681,288篇，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月前的食品评论。
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: 所有arXiv档案的完整文本及源文件。
大小: 270 GB（完整文本）+ 190 GB（源文件）

6. ASAP Automated Essay Scoring [Kaggle]

描述: 包含八组论文，每组由一个提示生成，平均长度为150至550字，由7至10年级学生撰写。
大小: 100 MB

7. ASAP Short Answer Scoring [Kaggle]

描述: 包含由单个提示生成的数据集，平均长度为50字，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: 每年扩展的学生文本语料库，主要用于文体学研究。
大小: 需请求

10. ClueWeb09 FACC

描述: ClueWeb09带Freebase注释的数据集。
大小: 72 GB

11. ClueWeb11 FACC

描述: ClueWeb11带Freebase注释的数据集。
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年以来被执行死刑的囚犯的最后遗言。
大小: HTML表格

18. Del.icio.us

描述: 125万美味书签网站的标记。
大小: 数据未提供

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: 判断与美国经济相关的新闻文章的语气和相关性，时间范围从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，涉及493,384个附件，覆盖151个保管人。
大小: 210 GB

22. Event Registry

描述: 提供实时访问全球100,000家新闻出版商的新闻文章的免费工具。
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转储。
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中的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、用户点赞数据。
大小: 1.5 GB

29. Google Books Ngrams

描述: 谷歌图书中的n-grams数据，也可在亚马逊S3上以Hadoop格式获取。
大小: 2.2 TB

30. 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

31. Gutenberg Ebook List

描述: 古腾堡电子书列表的注释列表。
大小: 2 MB

32. Hansards text chunks of Canadian Parliament

描述: 36届加拿大议会的官方记录（Hansards）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，包括书籍、期刊、电子资源等。
大小: 4 GB

34. 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、攻击性言论或非攻击性言论。
大小: 3 MB

35. Hillary Clinton Emails [Kaggle]

描述: 近7,000页的克林顿电子邮件，大部分被编辑。
大小: 12 MB

36. 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，挑战是预测搜索词和产品组合的相关性得分。
大小: 65 MB

37. Identifying key phrases in text

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

38. Jeopardy

描述: 包含216,930个过去的Jeopardy问题。
大小: 53 MB

39. Machine Translation of European Languages

描述: 欧洲语言的机器翻译数据。
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: 包含660个故事及其相关问题，用于机器文本理解研究。
大小: 1 MB

42. NEGRA

描述: 德语报纸文本的句法注释语料库，可供所有大学和非营利组织免费使用。
大小: 需请求

43. News article / Wikipedia page pairings

描述: 贡献者阅读简短文章并被要求判断哪两个维基百科文章与之最接近。
大小: 6 MB

44. NIPS2015 Papers (version 2) [Kaggle]

描述: 所有NIPS2015论文的全文。
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: 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

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，共17亿条。
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

53. 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

54. SMS Spam Collection

描述: 5,574条英语真实非编码短信，标记为合法（ham）或垃圾邮件（spam）。
大小: 200 KB

55. SouthparkData

描述: 包含季节、剧集、角色和台词的.csv文件。
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: 2015年超级碗前关于放气足球和爱国者队是否作弊的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，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

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: 贡献者阅读推文并分类为非常积极、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相关。
大小: 1 MB

62. Twitter Tokyo Geolocated Tweets

描述: 来自东京的200,000条推文。
大小: 47 MB

63. Twitter UK Geolocated Tweets

描述: 来自英国的170,000条推文。
大小: 47 MB

64. Twitter USA Geolocated Tweets

描述: 来自美国的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工作，数据来自2015年2月的Twitter。
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相关性的排名。
大小: 5 MB

67. Wesbury Lab Usenet Corpus

描述: 2005-2010年来自47,860个英语新闻组的匿名帖子汇编。
大小: 40 GB

68. Wesbury Lab Wikipedia Corpus

描述: 2010年4月对英语部分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

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中的元数据形式。
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，包含4,483,032个问题及其答案。
大小: 3.6 GB

72. Yahoo! Answers consisting of questions asked in French

描述: 2006年至2015年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答案。
大小: 3.8 GB

73. Yahoo! Answers Manner Questions

描述: 2007年10月25日转储的雅虎答案语料库子集，选定的问题具有特定的语言属性。
大小: 104 MB

74. 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

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，可用于查询重写任务和词及句子相似性任务。
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），包括1260万个唯一句子和34亿个运行单词。
大小: 12 GB

78. Yahoo! Search Logs with Relevance Judgments

描述: 包含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日处理的英语维基百科快照，使用多个公开可用的NLP工具。
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: 磁力链接

以上数据集涵盖了从文本数据到社交媒体内容，适用于自然语言处理和相关研究的各种需求。

搜集汇总

数据集介绍

构建方式

nlp-datasets 是一个涵盖了多种自然语言处理（NLP）任务的公共数据集列表，构建方式主要依赖于搜集和整理网络上可用的文本数据资源。该数据集涵盖了从邮件存档、博客文章到新闻评论、社交媒体帖子等多样化的文本类型，旨在为研究人员和开发者提供丰富的数据支持。

使用方法

使用 nlp-datasets 的方式较为直接，用户可以根据自己的研究需求，选择合适的数据集进行下载。数据集通常以压缩文件的形式提供，用户需要解压后进行使用。对于带标注的数据集，可以直接用于训练机器学习模型；对于原始文本数据，可能需要进行预处理和标注后才能应用。

背景与挑战

背景概述

nlp-datasets是一个按字母顺序排列的免费/公共领域数据集列表，包含了用于自然语言处理（NLP）的文本数据。该数据集的创建旨在为NLP研究人员提供丰富的文本资源，其中大部分是未经处理的原始文本数据。若需注释过的语料库或树库，可参考底部提供的资源。nlp-datasets的创建时间为未明确指出，但根据其中包含的数据集，可推断其始于21世纪初。主要研究人员或机构为全球范围内的多个研究者和组织，他们贡献了各种语言和类型的数据集。该数据集的核心研究问题是收集和整理可用于NLP研究的文本数据，对相关领域的影响力在于为NLP研究提供了基础资源和数据支持。

当前挑战

nlp-datasets在构建过程中遇到的挑战主要包括：1)确保数据集的多样性和质量，以覆盖NLP领域的不同研究需求；2)处理和整合来自不同来源的数据集，保证数据的一致性和可用性；3)版权和许可问题，确保数据集的合法性和开放性；4)数据集的持续更新和维护，以适应NLP领域的快速发展。在所解决的领域问题方面，nlp-datasets面临的挑战是如何有效地组织和管理大量文本数据，以及如何确保这些数据对NLP研究和应用具有实际价值。

常用场景

经典使用场景

nlp-datasets数据集广泛应用于自然语言处理领域，其经典使用场景包括构建语言模型、文本分类、情感分析、信息检索、机器翻译等任务。该数据集集合了多种类型的文本数据，如邮件档案、博客文章、产品评论等，为研究者提供了丰富的文本资源，以便于开展各种NLP相关的研究和开发工作。

解决学术问题

该数据集解决了学术研究中对于大规模、多样化文本数据的需求问题。它包含了许多不同来源和主题的文本，有助于研究者探索语言处理的普遍规律和特定领域的特征，从而推动了对语言模型泛化能力、文本数据隐含信息等方面的学术研究。

实际应用

在实际应用中，nlp-datasets数据集可用于改善机器翻译系统的准确率，提高文本挖掘和情感分析的效率，以及优化搜索引擎的搜索结果。企业和研究机构可以利用这些数据进行算法训练和模型评估，以提升产品的自然语言理解和生成能力。

数据集最近研究