KETI-AIR/kor_ag_news

AG新闻数据集是一个包含超过100万篇新闻文章的集合，这些文章来自2000多个新闻源，由ComeToMyHead学术新闻搜索引擎在一年多的时间内收集。该数据集由Xiang Zhang从原始数据集中构建，并用于文本分类基准测试。数据集的特征包括文本、标签和用户数据索引。数据集分为训练集和测试集，分别包含120,000和7,600个样本。The AG News Dataset is a collection of over 1 million news articles sourced from more than 2,000 news outlets, which was collected over a period of more than one year by the ComeToMyHead academic news search engine. Constructed by Xiang Zhang from the original raw dataset, it serves as a standard benchmark for text classification tasks. The dataset features text, labels, and user data indices, and is partitioned into training and test subsets containing 120,000 and 7,600 samples respectively.

原始信息汇总

AGs News Corpus 数据集概述

基本信息

• 语言: 韩语 (ko)
• 大小类别: 100K<n<1M
• 任务类别: 文本分类 (text-classification)
• 任务ID: 主题分类 (topic-classification)
• Papers with Code ID: ag-news
• 美观名称: AG’s News Corpus
• 许可证: 未知

数据集详情

• 特征:
  • text: 数据类型为字符串 (string)
  • label: 数据类型为类别标签 (class_label)，标签名称为：
    • 0: World
    • 1: Sports
    • 2: Business
    • 3: Sci/Tech
  • data_index_by_user: 数据类型为整数 (int32)
• 分割:
  • train: 字节数为 35075728，样本数为 120000
  • test: 字节数为 2195191，样本数为 7600
• 下载大小: 22724153 字节
• 数据集大小: 37270919 字节

搜集汇总

背景与挑战

背景概述

KETI-AIR/kor_ag_news是一个韩语新闻主题分类数据集，基于AG新闻数据集构建，包含约128,000条新闻文本，用于文本分类任务。数据集涵盖多个主题类别（如商业、科技），旨在为数据挖掘和信息检索研究提供基准，支持非商业学术用途。