NLP开源数据集汇总

源 | 极市平台

本文汇总了几个NLP相关的开源数据集，均附有下载链接。

CASIA手写数据集

数据集地址：http://m6z.cn/6pFPtC

CASIA-HWDB-T：一个从中文手写数据库CASIA-HWDB收集的触摸字符数据库。所有接触的字符（或字符串）都用字符类别、接触点的位置以及字符串高度（LH）和平均笔划宽度（SW）等辅助值进行注释。

根据不同的语言类型，触摸字符串分为四个子集：2788 个全数字字符串（HWDB-T-allDigits）、328 个全字母字符串（HWDB-T-allLetters）、50157 个全中文字符串（HWDB-T -allChinese）和 3,196 个混合字符（HWDB-T-other）。

Twitter地理定位信息数据集

数据集地址：http://m6z.cn/5VFbms

训练集包含 115,886 个 Twitter 用户和来自用户的 3,844,612 个更新。用户的所有位置都在美国以城市级粒度进行自我标记。测试集包含 5,136 个 Twitter 用户和来自用户的 5,156,047 条推文。用户的所有位置都是从他们的智能手机以“UT：纬度，经度”的形式上传的。

印度新闻头条数据集

数据集地址：http://m6z.cn/5O90Vj

该新闻数据集是印度从 2001 年初到 2022 年第一季度的重要事件的持久历史档案，由印度记者实时记录。它包含印度时报发布的大约 360 万个事件。大部分数据集中在印度地方新闻，包括国家、城市和娱乐。由Rohit Kulkarni编写

专利短语数据集

数据集地址：http://m6z.cn/6i9CsN

该数据集是为美国专利短语匹配竞赛提供的。它通过提供context列中每个代码的含义来添加附加信息。

电影元数据

数据集地址：http://m6z.cn/6i9Cth

这些文件包含 TMDB 数据集中列出的超过 700,000 部电影的元数据。数据集每天更新以确保更新电影数据集。数据点包括演员、工作人员、情节关键词、预算、收入、海报、发布日期、语言、制作公司、国家、TMDB 投票计数和投票平均值、评论、推荐。

Twitter 情绪推文数据集

数据集地址：http://m6z.cn/5zMyu3

每行包含一条推文的文本和一个情绪标签。在训练集中，您将获得一个从推文 (selected_text) 中提取的单词或短语，它封装了所提供的情绪。

幸福畅销书评论数据集

数据集地址：http://m6z.cn/63boFl

自 2005 年以来，整体幸福感正在下降，而悲伤和愤怒等负面情绪却在上升。更糟糕的是，越来越多的年轻人患有精神疾病、成瘾及其后果。本数据集收集了排名前33名的关于幸福的书籍、评论和引用。

Olist电子商务公共数据集

数据集地址：http://m6z.cn/6aHBQk

这是在Olist Store下订单的巴西电子商务公共数据集。该数据集包含 2016 年至 2018 年在巴西多个市场进行的 10 万份订单的信息。它的功能允许从多个维度查看订单：从订单状态、价格、付款和货运绩效到客户位置、产品属性，最后是客户撰写的评论。这是真实的商业数据，已匿名，评论文本中对公司和合作伙伴的引用已替换为《权力的游戏》大家族的名称。