CC-News Dataset
收藏paperswithcode.com2025-03-22 收录
官方服务：
资源简介：
CommonCrawl News is a dataset containing news articles from news sites all over the world. The dataset is available in form of Web ARChive (WARC) files that are released on a daily basis.
CommonCrawl News 数据集汇聚了全球各新闻网站的新闻文章。该数据集以每日发布的 Web ARChive (WARC) 文件形式提供。
提供机构：
Papers with Code搜集汇总
数据集介绍
背景与挑战
背景概述
CC-News数据集是一个包含708,241篇英文新闻文章的集合，发布时间跨度为2017年1月至2019年12月，主要用于语言模型训练。数据集提供了每篇文章的标题、文本、发布日期、描述、来源域名、URL和图片URL等详细信息。
以上内容由遇见数据集搜集并总结生成
