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/公共域的原始非结构化文本数据。

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

原始信息汇总

数据集概述

1. Apache Software Foundation Public Mail Archives

• 描述: 包含截至2011年7月11日的所有公开Apache软件基金会邮件存档。
• 大小: 200 GB

2. Blog Authorship Corpus

• 描述: 收集自2004年8月的19,320名博客作者的帖子，包含681,288篇帖子和超过140百万单词。
• 大小: 298 MB

3. Amazon Fine Food Reviews [Kaggle]

• 描述: 包含截至2012年10月的568,454条亚马逊用户留下的食品评论。
• 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: 存档中的所有论文全文（270 GB）+源文件（190 GB）。
• 大小: 总计460 GB

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，均手工评分并双评分。
• 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，响应平均长度为50字，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: 政治社交媒体消息根据内容分类。
• 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617部电影中的220,579次对话交换。
• 大小: 9.5 MB

14. Corporate messaging

• 描述: 关于公司在社交媒体上实际谈论内容的数据分类。
• 大小: 600 KB

15. Crosswikis

• 描述: 英语短语到关联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: 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。
• 大小: 12 MB

21. Enron Email Data

• 描述: 包含1,227,255封电子邮件，覆盖151个保管人。
• 大小: 210 GB

22. Event Registry

• 描述: 提供来自全球100,000个新闻出版商的实时新闻文章访问。
• 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: 来自联邦采购数据中心的联邦合同数据。
• 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. GigaOM Wordpress Challenge [Kaggle]

• 描述: 博客帖子、元数据、用户喜欢。
• 大小: 1.5 GB

30. Google Books Ngrams

• 描述: 在Amazon S3上也可用的Hadoop格式。
• 大小: 2.2 TB

31. 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

32. Gutenberg Ebook List

• 描述: 带注释的电子书列表。
• 大小: 2 MB

33. Hansards text chunks of Canadian Parliament

• 描述: 来自加拿大第36届议会的官方记录（Hansards）的130万对对齐文本块。
• 大小: 82 MB

34. 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

35. Hate speech identification

• 描述: 短文本是否包含仇恨言论、冒犯性但无仇恨言论或完全不冒犯的识别。
• 大小: 3 MB

36. Hillary Clinton Emails [Kaggle]

• 描述: 克林顿的近7000页经过大量编辑的电子邮件。
• 大小: 12 MB

37. 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

38. 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

39. Jeopardy

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

40. 200k English plaintext jokes

• 描述: 来自各种来源的208,000个纯文本笑话。
• 大小: 未提供

41. Machine Translation of European Languages

• 描述: 欧洲语言的机器翻译。
• 大小: 612 MB

42. Material Safety Datasheets

• 描述: 230,000份材料安全数据表。
• 大小: 3 GB

43. 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

44. MCTest

• 描述: 用于研究文本机器理解的660个故事和相关问题集。
• 大小: 1 MB

45. NEGRA

• 描述: 德语报纸文本的句法注释语料库。
• 大小: 需请求

46. 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。
• 大小: 185 MB

47. News article / Wikipedia page pairings

• 描述: 贡献者阅读简短文章并被问及它最接近哪个维基百科文章。
• 大小: 6 MB

48. NIPS2015 Papers (version 2) [Kaggle]

• 描述: NIPS2015会议的所有论文全文。
• 大小: 335 MB

49. NYTimes Facebook Data

• 描述: 所有纽约时报的Facebook帖子。
• 大小: 5 MB

50. 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

51. Objective truths of sentences/concept pairs

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

52. 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

53. Personae Corpus

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

54. Reddit Comments

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

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

• 描述: 上述数据集的子集。
• 大小: 8 GB

56. 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

57. 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

58. 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

59. 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

60. SouthparkData

• 描述: 包含季节、剧集、角色和台词的脚本信息。
• 大小: 3.6 MB

61. Stackoverflow

• 描述: 730万StackOverflow问题和其他StackExchange网站。
• 大小: 查询工具

62. Twitter Cheng-Caverlee-Lee Scrape

• 描述: 2009年9月至2010年1月期间的地理定位推文。
• 大小: 400 MB

63. 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。
• 大小: 2 MB

64. 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

65. Twitter Sentiment140

• 描述: 与品牌/关键词相关的推文。
• 大小: 77 MB

66. 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

67. Twitter Tokyo Geolocated Tweets

• 描述: 来自东京的200,000条推文。
• 大小: 47 MB

68. Twitter UK Geolocated Tweets

• 描述: 来自英国的170,000条推文。
• 大小: 47 MB

69. Twitter USA Geolocated Tweets

• 描述: 来自美国的200,000条推文。
• 大小: 45 MB

70. 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

71. 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

72. 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

73. Wesbury Lab Usenet Corpus

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

74. Wesbury Lab Wikipedia Corpus

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

75. Wikipedia Extraction (WEX)

• 描述: 英语维基百科的加工转储。
• 大小: 66 GB

76. 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

77. Yahoo! Answers Comprehensive Questions and Answers

• 描述: 截至2007年10月25日的Yahoo! Answers语料库，包含4,483,032个问题及其答案。
• 大小: 3.6 GB

78. Yahoo! Answers consisting of questions asked in French

• 描述: 2006年至2015年间在法语中提出的170万个问题及其相应的答案的Yahoo! Answers语料库子集。
• 大小: 3.8 GB

79. Yahoo! Answers Manner Questions

• 描述: 从2007年10月25日的Yahoo! Answers转储中选出的142,627个问题及其答案，用于其语言特性。
• 大小: 104 MB

80. Yahoo! HTML Forms Extracted from Publicly Available Webpages

• 描述: 从公开可用的网页中提取的复杂HTML表单的小样本，包含267万个复杂表单。
• 大小: 50+ GB

81. Yahoo! Metadata Extracted from Publicly Available Web Pages

• 描述: 1亿个RDF数据三元组。
• 大小: 2 GB

82. Yahoo N-Gram Representations

• 描述: 包含n-gram表示。
• 大小: 2.6 GB

83. Yahoo! N-Grams, version 2.0

• 描述: 从1460万份文档中提取的n-grams（n=1至5），这些文档是从12000多个新闻导向网站爬取的。
• 大小: 12 GB

84. Yahoo! Search Logs with Relevance Judgments

• 描述: 带有关联判断的匿名Yahoo!搜索日志。
• 大小: 1.3 GB

85. 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的语义注释快照。
• 大小: 6 GB

86. Yelp

• 描述: 包括餐厅排名和220万条评论。
• 大小: 需请求

87. Youtube

• 描述: 170万个YouTube视频描述。
• 大小: 未提供

搜集汇总

数据集介绍

构建方式

nlp-datasets 是一个自然语言处理领域的数据集列表，收集了众多公开的文本数据集。该数据集的构建主要通过整理和汇总网络上可用的免费或公共领域的文本资源，涵盖了从邮件存档、博客文章、产品评论到新闻头条等多种类型的文本数据。

特点

nlp-datasets 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，适合于各种自然语言处理任务的研究和应用。此外，该数据集不断更新，保证了资源的时效性和丰富性。

使用方法

用户可以通过访问数据集中提供的链接，直接下载所需的数据集。在使用时，应遵守数据集的使用条款和版权声明，对于某些需要申请或特殊许可的数据集，用户应按照相应的要求进行操作。部分数据集可能需要特定的工具或环境来处理和分析。

背景与挑战

背景概述

nlp-datasets是一个免费/公共领域的文本数据集列表，专注于自然语言处理（NLP）领域。该数据集主要包含未经处理的原始文本数据，若需注释语料库或树库，则可参考底部资源。该数据集的创建旨在为NLP研究者提供丰富的文本资源，以促进该领域的发展。自发布以来，nlp-datasets已经成为NLP领域重要的资源之一，对于推动相关技术的发展和应用起到了积极作用。

当前挑战

nlp-datasets在构建过程中所面临的挑战主要包括数据的多样性和质量控制。由于数据集涵盖范围广泛，涉及不同来源和类型的文本数据，因此确保数据的准确性和一致性是一大挑战。此外，随着数据量的不断增长，如何高效地存储、检索和处理这些大规模数据集，以及如何确保数据集的长期可用性和维护，也是需要解决的问题。在所解决的领域问题方面，nlp-datasets为各种NLP任务提供了基础数据，如文本分类、情感分析、机器翻译等，但每个任务都面临着如何提高模型准确性和泛化能力的挑战。

常用场景

经典使用场景

nlp-datasets数据集经典使用场景在于为自然语言处理研究者提供了一个丰富多样的文本数据资源库，涵盖了从邮件档案、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。这些数据集被广泛用于语言模型训练、文本分类、情感分析、信息检索等自然语言处理任务中，极大地推动了相关领域的研究与应用。

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，如如何有效地进行文本分类、如何提高情感分析的准确度、如何从非结构化文本中提取结构化信息等。通过提供大量的标注数据和原始文本，nlp-datasets为研究者提供了实验和验证其算法的平台，从而推动了学术研究的进展。

衍生相关工作

基于nlp-datasets的数据集，衍生出了许多相关的经典工作。例如，一些研究者利用这些数据集开发了新的文本分类算法，另一些则在此基础上进行了情感分析的深入研究，还有一些工作则关注于利用这些数据进行跨语言的信息检索和机器翻译等。这些衍生工作进一步扩展了nlp-datasets的影响力，并推动了自然语言处理领域的创新。