这是一份非常全面的开源数据集，你，真的不想要吗？

视频数据集

• Youtube-8M：用于视频理解研究的大型多样化标记视频数据集。
• 地址：https://research.googleblog.com/2016/09/announcing-youtube-8m-large-and-diverse.html

文本数据集

• 20 newsgroups：分类任务，将出现的单词映射到新闻组 ID。用于文本分类的经典数据集之一，通常可用作纯分类的基准或任何 IR /索引算法的验证。
• 地址：http://qwone.com/~jason/20Newsgroups/

• 路透社新闻数据集：(较旧)纯粹基于分类的数据集，包含来自新闻专线的文本。常用于教程。
• 地址：https://archive.ics.uci.edu/ml/datasets/Reuters-21578+Text+Categorization+Collection

• 宾州树库：用于下一个单词或字符预测。
• 地址：http://www.cis.upenn.edu/~treebank/

• UCI‘s Spambase：来自著名的 UCI 机器学习库的(旧版)经典垃圾邮件数据集。根据数据集的组织细节，可以将它作为学习私人垃圾邮件过滤的基线。
• 地址：https://archive.ics.uci.edu/ml/datasets/Spambase

• Broadcast News：大型文本数据集，通常用于下一个单词预测。
• 地址：http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC97S44

• 文本分类数据集：来自 Zhang et al., 2015。用于文本分类的八个数据集合集。这些是用于新文本分类基线的基准。样本大小从 120K 至 3.6M 不等，范围从二进制到 14 个分类问题。数据集来自 DBPedia、亚马逊、Yelp、Yahoo!和 AG。
• 地址：https://drive.google.com/drive/u/0/folders/0Bz8a_Dbh9Qhbfll6bVpmNUtUcFdjYmF2SEpmZUZUcVNiMUw1TWN6RDV3a0JHT3kxLVhVR2M

• WikiText：来自维基百科高质量文章的大型语言建模语料库，由 Salesforce MetaMind 策划。
• 地址：http://metamind.io/research/the-wikitext-long-term-dependency-language-modeling-dataset/

• SQuAD：斯坦福问答数据集——应用广泛的问答和阅读理解数据集，其中每个问题的答案都以文本形式呈现。
• 地址：https://rajpurkar.github.io/SQuAD-explorer/

• Billion Words 数据集：一种大型通用语言建模数据集。通常用于训练分布式单词表征，如 word2vec。
• 地址：http://www.statmt.org/lm-benchmark/

• Common Crawl：网络的字节级抓取——最常用于学习单词嵌入。可从 Amazon S3 上免费获取。也可以用作网络数据集，因为它可在万维网进行抓取。
• 地址：http://commoncrawl.org/the-data/

• Google Books Ngrams：来自 Google book 的连续字符。当单词首次被广泛使用时，提供一种简单的方法来探索。
• 地址：https://aws.amazon.com/datasets/google-books-ngrams/

• Yelp 开源数据集：Yelp 数据集是用于 NLP 的 Yelp 业务、评论和用户数据的子集。
• 地址：https://www.yelp.com/dataset

————————我是深度学习文本的分割线————————

（编辑：安卓应用网_福州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!