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 text 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

自然语言处理（NLP）相关数据集列表：

1. Apache Software Foundation Public Mail Archives

   • 描述：所有公开的Apache软件基金会邮件档案，截至2011年7月11日。
   • 大小：200 GB

2. Blog Authorship Corpus

   • 描述：收集自2004年8月的19,320名博主的帖子，包含681,288篇帖子和超过140百万字。
   • 大小：298 MB

3. Amazon Fine Food Reviews [Kaggle]

   • 描述：包含至2012年10月的568,454条亚马逊用户对食品的评论。
   • 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：档案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，每集由单一提示生成，作文由7至10年级学生撰写，均经过手工评分和双重评分。
   • 大小：100 MB

7. ASAP Short Answer Scoring [Kaggle]

   • 描述：包含由单一提示生成的数据集，主要由10年级学生撰写，均经过手工评分和双重评分。
   • 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：需请求

10. ClueWeb09 FACC

    • 描述：ClueWeb09数据集，带有Freebase注释。
    • 大小：72 GB

11. ClueWeb11 FACC

    • 描述：ClueWeb11数据集，带有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：包含从原始电影剧本中提取的大量元数据丰富的虚构对话集合。
    • 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任务。
    • 大小：600 KB

15. Crosswikis

    • 描述：英文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，并使其在网络上可用。
    • 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。
    • 大小：HTML表格

18. Del.icio.us

    • 描述：125万美味书签。
    • 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：判断新闻文章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：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. Examiner.com - Spam Clickbait News Headlines [Kaggle]

    • 描述：2010年至2015年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：美国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：德国顶级代表最近发表的演讲集。
    • 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：在亚马逊S3上也可用的Hadoop格式。
    • 大小：2.2 TB

32. Google Web 5gram

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

33. Gutenberg Ebook List

    • 描述：电子书的注释列表。
    • 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（Hansards）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，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：克林顿的近7,000页经过大量编辑的电子邮件。
    • 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的使用情况的年时间序列，以及100,000个最频繁的命名实体与维基百科的链接。
    • 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情况的时间序列。
    • 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。
    • 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问题档案。
    • 大小：53 MB

43. 200k English plaintext jokes

    • 描述：来自各种来源的208,000个纯文本笑话的档案。

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130万条新闻标题。
    • 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多家英语新闻网站的首页的230万个新闻文章URL。
    • 大小：101 MB

48. MCTest

    • 描述：用于机器理解文本研究的660个故事和相关问题集。
    • 大小：1 MB

49. NEGRA

    • 描述：德语报纸文本的语法注释语料库。
    • 大小：需请求

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

    • 描述：印度时报从2001年到2017年发布的270万条新闻标题，带有类别。
    • 大小：185 MB

51. News article / Wikipedia page pairings

    • 描述：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：纽约时报的所有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，涵盖20种语言。
    • 大小：115 MB

55. Objective truths of sentences/concept pairs

    • 描述：句子/概念对的客观真理，例如“狗是一种动物”或“船长可以与主人有相同的含义”。
    • 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：需请求

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日期间的所有公开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研究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、情节、角色和台词的.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，答案是相应阅读段落中的文本段落，或问题可能无法回答。

66. Stackoverflow

    • 描述：730万条Stackoverflow问题及其他Stack Exchange站点。
    • 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大量讨论的Twitter情绪分析。
    • 大小：2 MB

69. Twitter Progressive issues sentiment analysis

    • 描述：关于各种左倾问题如堕胎合法化、女权主义、希拉里·克林顿等的推文，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。
    • 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 Tokyo Geolocated Tweets

    • 描述：来自东京的200,000条推文。
    • 大小：47 MB

73. Twitter UK Geolocated Tweets

    • 描述：来自英国的170,000条推文。
    • 大小：47 MB

74. Twitter USA Geolocated Tweets

    • 描述：来自美国的200,000条推文。
    • 大小：45 MB

75. 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。
    • 大小：2.5 MB

76. 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

77. 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

78. Wesbury Lab Usenet Corpus

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

79. Wesbury Lab Wikipedia Corpus

    • 描述：2010年4月对英语维基百科文章的快照，已处理以删除所有链接和无关材料。
    • 大小：1.8 GB

80. 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构建的解释图语料库。
    • 大小：8 MB

81. Wikipedia Extraction (WEX)

    • 描述：英语维基百科的已处理转储。
    • 大小：66 GB

82. Wikipedia XML Data

    • 描述：所有维基媒体维基的完整副本，以wiki文本源和元数据嵌入XML的形式。
    • 大小：500 GB

83. Yahoo! Answers Comprehensive Questions and Answers

    • 描述：截至2007年10月25日的Yahoo! Answers语料库。
    • 大小：3.6 GB

84. Yahoo! Answers consisting of questions asked in French

    • 描述：2006年至2015年期间，170万个用法语提问的问题及其相应的答案。
    • 大小：3.8 GB

85. Yahoo! Answers Manner Questions

    • 描述：2007年10月25日转储的Yahoo! Answers语料库的子集，用于其语言特性。
    • 大小：104 MB

86. Yahoo! HTML Forms Extracted from Publicly Available Webpages

    • 描述：包含从公开可用网页中提取的复杂HTML表单的小样本。
    • 大小：50

搜集汇总

数据集介绍

构建方式

nlp-datasets 是一个全面的数据集列表，涵盖了自然语言处理领域中使用的大量文本数据。该数据集的构建主要通过收集和整理公开域内的文本数据，包括但不限于邮件档案、博客文章、产品评论、社交媒体帖子等，以满足NLP研究和应用的需求。

特点

该数据集的特点在于其全面性和多样性，包含了不同来源和类型的文本数据，如邮件、博客、评论、新闻头条等，为研究者提供了丰富的文本资源。此外，数据集还注重更新和维护，确保数据的时效性和可用性。

使用方法

用户可以通过数据集中的链接直接访问和下载所需的数据集。每个数据集都有详细的描述，包括数据来源、大小和格式等信息，方便用户了解和使用。对于特定格式的数据集，可能需要相应的工具或软件进行读取和处理。

背景与挑战

背景概述

nlp-datasets数据集是一个自然语言处理领域的数据集列表，由Alphabetical order进行排列，包含了大量用于自然语言处理任务的文本数据。该数据集创建于2011年，主要研究人员为多个机构和学者，其核心研究问题是为自然语言处理任务提供多样化的数据集。nlp-datasets对相关领域的影响力体现在为研究人员提供了丰富的数据资源，有助于推动自然语言处理领域的研究与应用。

当前挑战

nlp-datasets数据集在构建过程中遇到的挑战主要包括：1) 如何确保数据集的多样性和质量，以满足不同自然语言处理任务的需求；2) 如何处理和整理大量的非结构化文本数据，以便于研究人员的使用；3) 数据集的更新和维护，随着自然语言处理领域的不断发展，数据集需要不断更新以包含最新的研究成果和应用场景。

常用场景

经典使用场景

nlp-datasets数据集的典型应用场景在于自然语言处理领域的研究与开发，特别是对于需要大量文本数据来训练机器学习模型的任务，如文本分类、情感分析、信息提取、机器翻译等。该数据集提供了丰富的文本资源，可供研究人员进行数据挖掘、语言模型训练和算法验证。

解决学术问题

该数据集解决了自然语言处理领域中的多个学术研究问题，包括但不限于文本数据的获取与处理、大规模语料库的构建、以及跨领域文本分析的基准测试。它为情感分析、文本分类、机器翻译等任务提供了标准的数据集，有助于推动相关领域的学术研究。

衍生相关工作

基于nlp-datasets数据集，衍生出了一系列相关的工作，包括但不限于情感分析模型的开发、跨语言信息检索系统的构建、以及文本生成和摘要算法的研究。这些工作进一步扩展了数据集的应用范围，并推动了自然语言处理技术的进步。