大數(shù)據(jù)文摘作品
編譯：晚君、VVN、張禮俊、云舟
奉上100多個按字母順序排列的開源自然語言處理文本數(shù)據(jù)集列表（原始未結構化的文本數(shù)據(jù)），快去按圖索驥下載數(shù)據(jù)自己研究吧！
數(shù)據(jù)集
Apache軟件基金會公開郵件檔案：截止到2011年7月11日全部公開可用的Apache軟件基金會郵件檔案。（200 GB）
http://aws.amazon.com/de/datasets/apache-software-foundation-public-mail-archives/
博主原創(chuàng)語料庫：包含2004年8月從blogger.com網(wǎng)站收集的19,320位博主的帖子。681,288個帖子以及140多萬字。（298 MB）
http://u.cs.biu.ac.il/~koppel/BlogCorpus.htm
亞馬遜美食評論[Kaggle]：包含亞馬遜用戶在2012年10月前留下的568,454條食評。（240MB）
https://www.kaggle.com/snap/amazon-fine-food-reviews
亞馬遜評論：斯坦福收集了3500萬條亞馬遜評論。（11GB）
https://snap.stanford.edu/data/web-Amazon.html
ArXiv上：所有收錄論文全文（270GB）+源文件（190GB）
http://arxiv.org/help/bulk_data_s3
ASAP自動作文評分[Kaggle]：在本次比賽中，有8個作文集。每個作文都由一個單獨提示所得回答所生成。所選作文長度為150到550個字不等。部分作文依賴于源信息，而另其他則不是。所有論文都是由7年級到10年級的學生所寫。所有的作文都由人工打分，并采用雙評分制。（100MB）
https://www.kaggle.com/c/asap-aes/data
ASAP簡答題評分[Kaggle]：每個數(shù)據(jù)集都是由單個提示所得回答生成的。所選回答的平均長度為50個字。某些回答依賴于源信息，而其他則不是。所有回答由10年級學生所寫。所有回答均為人工打分，并采用雙評分制。（35MB）
https://www.kaggle.com/c/asap-sas/data
政治社交媒體分類：按內容分類來自政客的社交媒體消息。（4MB）
https://www.crowdflower.com/data-for-everyone/
CLiPS文體學研究（CSI）語料庫：每年擴展兩種類型的學生寫作：文章和綜述。這個語料庫的目的主要在于文體學研究，當然也可用于其他研究。（數(shù)據(jù)集需要申請獲得）
http://www.clips.uantwerpen.be/datasets/csi-corpus
ClueWeb09 FACC：帶有Freebase注釋的ClueWeb09（72GB）
http://lemurproject.org/clueweb09/FACC1/
ClueWeb11 FACC：帶有Freebase注釋的ClueWeb11（92GB）
http://lemurproject.org/clueweb12/FACC1/
常見爬蟲語料庫：由超過50億個網(wǎng)頁（541TB）爬蟲數(shù)據(jù)構成。
http://aws.amazon.com/de/datasets/common-crawl-corpus/
康奈爾電影對話語料庫（Cornell Movie Dialog Corpus）：包含大量豐富的元數(shù)據(jù)，從原始電影劇本中提取的對話集合：617部電影，10,292對電影人物之間的220,579次會話交流。（9.5MB）
http://www.cs.cornell.edu/~cristian/Cornell_Movie-Dialogs_Corpus.html
企業(yè)信息：分類企業(yè)在社交媒體上到底談論了什么的工作。要求志愿者將企業(yè)陳述分類為信息（關于公司或其活動的客觀陳述），對話（回復用戶等）或行動（要求投票或要求用戶點擊鏈接等的信息）。（600KB）
http://aws.amazon.com/de/datasets/common-crawl-corpus/
Crosswikis：關聯(lián)英語短語與維基百科文章的數(shù)據(jù)庫。（11GB）
http://nlp.stanford.edu/data/crosswikis-data.tar.bz2/
一個網(wǎng)絡社區(qū)關于從維基百科中提取結構化信息并使得此信息在網(wǎng)絡上可用的共同成果。（17GB）
http://aws.amazon.com/de/datasets/dbpedia-3-5-1/?tag=datasets%23keywords%23encyclopedic
Death Row：自1984年以來處決的每個犯人的遺言。（HTML表格）
http://www.tdcj.state.tx.us/death_row/dr_executed_offenders.html
Del.icio.us：delicious.com上的125萬個書簽。
http://arvindn.livejournal.com/116137.html
社交媒體上的災難推文：1萬條推文，注釋了是否涉及災難事件。（2MB）
https://www.crowdflower.com/data-for-everyone/
經(jīng)濟新聞相關文章：確定新聞文章與美國經(jīng)濟是否相關，如果相關，文章的基調是什么。時間范圍從1951年到2014年。（12MB）
https://www.crowdflower.com/data-for-everyone/
安然公司電子郵件數(shù)據(jù)：包含1,227,255封電子郵件，其中493,384個附件覆蓋151位管理者。（210GB）
http://aws.amazon.com/de/datasets/enron-email-data/
事件注冊：免費工具，可以實時訪問全球100,000個媒體的新聞文章。有API接口。（查詢工具）
http://eventregistry.org/
Examiner.com—用新聞頭條釣魚的垃圾郵件[Kaggle]：現(xiàn)已停用的釣魚網(wǎng)站The Examiner從2010年到2015年發(fā)布的3百萬眾包新聞頭條。（200MB）
https://www.kaggle.com/therohk/examine-the-examiner
聯(lián)邦采購數(shù)據(jù)中心的聯(lián)邦合同（USASpending.gov）：來自USASpending.gov的聯(lián)邦采購數(shù)據(jù)中心所有聯(lián)邦合同的數(shù)據(jù)庫。（180GB）
http://aws.amazon.com/de/datasets/federal-contracts-from-the-federal-procurement-data-center-usaspending-gov/
Flickr個人分類法：個人標簽的樹結構數(shù)據(jù)集。（40MB）
http://www.isi.edu/~lerman/downloads/flickr/flickr_taxonomies.html
Freebase數(shù)據(jù)庫：Freebase中所有當前事實和推斷的數(shù)據(jù)庫（26GB）
http://aws.amazon.com/de/datasets/freebase-data-dump/
Freebase簡單主題庫：Freebase中每個主題中基本的可識別事實的數(shù)據(jù)庫（5GB）
http://aws.amazon.com/de/datasets/freebase-simple-topic-dump/
Freebase四元庫：Freebase中所有當前事實和推斷的數(shù)據(jù)庫[LZ1]。（35GB）
http://aws.amazon.com/de/datasets/freebase-quad-dump/
GigaOM Wordpress挑戰(zhàn)賽[Kaggle]：博客文章，元數(shù)據(jù)，用戶喜好。（1.5GB）
https://www.kaggle.com/c/predict-wordpress-likes/data
谷歌圖書n元語法：也可通過亞馬遜S3上hadoop格式文件獲取。（2.2TB）
http://storage.googleapis.com/books/ngrams/books/datasetsv2.html
谷歌網(wǎng)頁5元語法：含有英文單詞的n元序列，及其觀測頻率計數(shù)（24GB）
https://catalog.ldc.upenn.edu/LDC2006T13
Gutenberg電子書清單：帶注釋電子書清單（2MB）
http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs
加拿大議會文本塊：來自加拿大第36屆議會正式記錄（Hansards）的130萬標準文本塊（句子或更小的片段）。（82MB）
http://www.isi.edu/natural-language/download/hansard/
哈佛圖書館：超過1,200萬冊哈佛圖書館所藏資料的書目記錄，包括書籍，期刊，電子資源，手稿，檔案資料，樂譜，音頻，視頻和其他資料。（4GB）
http://library.harvard.edu/open-metadata#Harvard-Library-Bibliographic-Dataset
仇恨言論識別：志愿人查看短文，并確定它是否a）包含仇恨言論，b）冒犯性的，但沒有仇恨言論，或c）一點也沒有冒犯性。包含近15千行，每個文本字符串有三個志愿者判斷。（3MB）
https://github.com/t-davidson/hate-speech-and-offensive-language
希拉里克林頓的電子郵件[Kaggle]：整理了近7,000頁克林頓的電子郵件。（12MB）
https://www.kaggle.com/kaggle/hillary-clinton-emails
家得寶公司產(chǎn)品搜索關聯(lián)[Kaggle]：包含家得寶公司網(wǎng)站的許多產(chǎn)品和客戶搜索條款。挑戰(zhàn)是預測搜索條目組合和產(chǎn)品的相關性分數(shù)。為了創(chuàng)建真實標簽，家得寶公司將搜索/產(chǎn)品配對眾包給多個評分者打分。（65MB）
https://www.kaggle.com/c/home-depot-product-search-relevance/data
確定文本中的關鍵短語：問題/答案對和文本組成；判斷上下文文本是否與問題/答案相關。（8MB）
https://www.crowdflower.com/data-for-everyone/
美國電視節(jié)目‘危險’：216930個過去出現(xiàn)在‘危險’節(jié)目的問題合集。（53MB）
http://www.reddit.com/r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/
200k英語明文笑話：208000種不同來源的明文笑話存檔。
https://github.com/taivop/joke-dataset
歐洲語言機器翻譯：（612MB）
http://statmt.org/wmt11/translation-task.html#download
材料安全數(shù)據(jù)表：230000材料安全數(shù)據(jù)表。（3GB）
http://aws.amazon.com/de/datasets/material-safety-data-sheets/
百萬新聞頭條-澳大利亞ABC[Kaggle]：由澳大利亞ABC新聞發(fā)布的從2003到2017年的130萬新聞。（56MB）
https://www.kaggle.com/therohk/million-headlines
MCTest：可免費使用的660個故事集和相關問題，可用于研究文本機器理解、問答（1MB）。
http://research.microsoft.com/en-us/um/redmond/projects/mctest/index.html
Negra：德國報紙文本的語法標注語料庫。可供所有大學及非營利機構免費使用。需要簽署協(xié)議并發(fā)送申請才能獲得。
http://www.coli.uni-saarland.de/projects/sfb378/negra-corpus/negra-corpus.html
新聞頭條-印度時報[Kaggle]：印度時報發(fā)表的從2001到2017年的270萬類新聞頭條。（185MB）
https://www.crowdflower.com/data-for-everyone/
新聞文章/維基百科頁面配對：志愿者閱讀一篇短文，被問及最匹配的兩篇維基百科文章是哪一篇。（6MB）
https://www.kaggle.com/benhamner/nips-2015-papers/version/2
2015 NIPS論文（版本2）[Kaggle]：所有2015年nips論文全文。（335MB）
https://www.kaggle.com/benhamner/nips-2015-papers/version/2
紐約時報臉譜網(wǎng)數(shù)據(jù)：所有紐約時報在臉譜網(wǎng)的帖子。（5MB）
http://minimaxir.com/2015/07/facebook-scraper/
全球新聞一周供稿[Kaggle]：在2017年8月的一周，用20多種語言全球發(fā)表的140萬篇新聞事件數(shù)據(jù)集。（115MB）
https://www.kaggle.com/therohk/global-news-week
句子/概念對的正確性：志愿者讀關于兩個概念的句子。例如，“狗是一種動物”，或者“船長可以和主人有同樣的意思”，然后他們被問到這個句子是否正確，并將其1-5評級。（700KB）
https://www.crowdflower.com/data-for-everyone/
公開圖書館數(shù)據(jù)庫：公開圖書館中所有記錄的修改合集。（16GB）
https://openlibrary.org/developers/dumps
人物語料庫：收集了作者文章風格和個性預測的實驗。由145名學生的145篇荷蘭語文章組成。（獲得需要申請）
http://www.clips.uantwerpen.be/datasets/personae-corpus
Reddit評論：截至2015年7月，reddit論壇所有公開的評論。共計17億條評論。（250GB）
https://www.reddit.com/r/datasets/comments/3bxlg7/i_have_every_publicly_available_reddit_comment/
Reddit評論（2015年5月）：Kaggle子數(shù)據(jù)集（8GB）
https://www.kaggle.com/reddit/reddit-comments-may-2015
Reddit提交語料庫：2006年1月-2015年8月31日所有公開可得的Reddit提交內容。（42GB）
https://www.reddit.com/r/datasets/comments/3mg812/full_reddit_submission_corpus_now_available_2006/
路透社語料庫：一個包含路透社新聞報道的數(shù)據(jù)集，用于自然語言處理的研究開發(fā)、信息檢索和機器學習系統(tǒng)。該語料庫又被稱為“路透社語錄1”或RCV1，它遠遠大于原來在文本分類中被廣泛使用的著名的路透社21578數(shù)據(jù)集。該語料庫數(shù)據(jù)需要通過簽署協(xié)議和發(fā)送郵件獲取。（2.5GB）
https://trec.nist.gov/data/reuters/reuters.html
SaudiNewsNet：31030條從不同沙特阿拉伯的網(wǎng)絡報紙上摘取的標題和元數(shù)據(jù)。（2MB）
https://github.com/ParallelMazen/SaudiNewsNet
垃圾短信數(shù)據(jù)集：5574條被標記為合法/不合法的、未經(jīng)編碼的真實英文短信消息。（200KB）
http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/
《南方公園》數(shù)據(jù)集：csv格式文件，包含季、集、角色和臺詞的劇本信息。（3.6MB）
https://github.com/BobAdamsEE/SouthParkData
Stackoverflow：730萬條stackoverflow問題和其他stackexchange（問答工具）上的問答。
http://data.stackexchange.com/
Twitter的Cheng-Caverlee-lee用戶定位數(shù)據(jù)集：2009年9月-2010年1月的推文定位。（400MB）
https:///details/twitter_cikm_2010
Twitter上關于新英格蘭愛國者隊“放氣門”事件的輿情：在2015年超級碗比賽前，人們對被放了氣的橄欖球以及愛國者隊是否存在欺騙行為議論紛紛。該數(shù)據(jù)集提供了丑聞發(fā)生的這段時間里Twitter上的輿情，以便評估公眾對整個事件的感受。（2MB）
https://www.figure-eight.com/data-for-everyone/
Twitter上對于左傾相關事件的輿情分析：關于墮胎合法化、女權主義、希拉里·克林頓等各種左傾相關事件的推文，推文將根據(jù)內容推斷被分類為For（支持）、Against（反對）、Neutral（中立）或None of the above（以上都不是）。（600KB）
https://www.figure-eight.com/data-for-everyone/
Twitter的Sentiment140（情感分析數(shù)據(jù)集）：關于品牌/關鍵詞的推文，網(wǎng)站包括論文和研究想法。（77MB）
http://help.sentiment140.com/for-students/
Twitter上關于自動駕駛汽車的輿情分析：貢獻者們閱讀推文后，將推文里對于自動駕駛的態(tài)度分為非常積極、較積極、中立、較消極和非常消極。如果推文與自動駕駛汽車無關，他們也要標記出來。（1MB）
https://www.figure-eight.com/data-for-everyone/
Twitter上定位于東京的推文：20萬條來自東京的推文。（47MB）
http://followthehashtag.com/datasets/200000-tokyo-geolocated-tweets-free-twitter-dataset/
Twitter上定位于英國的推文：17萬條來自英國的推文。（47MB）
http://followthehashtag.com/datasets/170000-uk-geolocated-tweets-free-twitter-dataset/
Twitter上定位于美國的推文：20萬條來自美國的推文。（45MB）
http://followthehashtag.com/datasets/free-twitter-dataset-usa-200000-free-usa-tweets/
Twitter上對于美國各大航空公司的態(tài)度（Kaggle數(shù)據(jù)集）：這是一個對于美國各大航空公司存在問題的情感分析任務。該數(shù)據(jù)集爬取了2015年2月的推文，貢獻者們將其分類為積極、消極和中立，對于那些分類為消極態(tài)度的推文，還會給出原因（例如“飛機晚點”或“服務態(tài)度差”等）。（2.5MB）
https://www.kaggle.com/crowdflower/twitter-airline-sentiment
基于新聞標題的美國經(jīng)濟表現(xiàn)：根據(jù)新聞標題頭條和摘要，對新聞和美國經(jīng)濟的相關性進行排序。（5MB）
https://www.figure-eight.com/data-for-everyone/
城市詞典（美國在線俚語詞典）里的單詞和定義：一個經(jīng)過清洗的CSV語料庫，包含截至2016年5月的城市詞典內所有260萬個詞匯、定義、作者和投票情況。（238MB）
https://www.kaggle.com/therohk/urban-dictionary-words-dataset
亞馬遜的Wesbury Lab Usenet語料庫：2005-2010的47,860個英文新聞組的郵件匿名匯編（40GB）
http://aws.amazon.com/de/datasets/the-westburylab-usenet-corpus/
維基百科的Wesbury Lab語料庫：2010年4月維基百科英文部分中所有文章的快照。網(wǎng)站詳細描述了數(shù)據(jù)是如何被處理的——即去除所有鏈接和不相關的材料（如導航文本等）。語料庫是未經(jīng)標記的原始文本，它被用于Stanford NLP。
http://www.psych.ualberta.ca/~westburylab/downloads/westburylab.wikicorp.download.html
Stanford NLP跳轉的鏈接：
https://scholar.google.com/scholar?oi=bibs&hl=en&cites=9060444488071171966&as_sdt=5
維基百科提?。╓EX）：經(jīng)處理后的英文版維基百科（66GB）
http://aws.amazon.com/de/datasets/wikipedia-extraction-wex/
維基百科的XML格式數(shù)據(jù)：所有維基媒體（Wikimedia）的完整復制，以維基文本元（wikitext source）和元數(shù)據(jù)的形式嵌入到XML中。（500GB）
http://aws.amazon.com/de/datasets/wikipedia-xml-data/
雅虎問答中的綜合問題與答案：截至2007年10月25日的雅虎問答語料庫，包含4,483,032條問答。（3.6GB）
http://webscope.sandbox.yahoo.com/catalog.php?datatype=l
雅虎問答中用法語提問的問題：2006-2015年雅虎問答語料庫的子數(shù)據(jù)集，包含170萬條法語問答。（3.8GB）
https://webscope.sandbox.yahoo.com/catalog.php?datatype=l
雅虎問答中的關于“如何做”的問題[LZ2]：根據(jù)語言屬性從2007年10月25日雅虎問答語料庫選出的子集，包含142,627條問答。（104MB）
https://webscope.sandbox.yahoo.com/catalog.php?datatype=l
雅虎從公開網(wǎng)頁中提取的HTML格式頁面：包含少量復雜HTML格式的頁面和267萬個復雜格式的頁面。（50+ GB）
https://webscope.sandbox.yahoo.com/catalog.php?datatype=l
雅虎從公開網(wǎng)頁頁面中提取的元數(shù)據(jù)：1億個RDF格式數(shù)據(jù)的三元組（2GB）
https://webscope.sandbox.yahoo.com/catalog.php?datatype=l
雅虎的N元語法模型表示（N-Gram Representations）數(shù)據(jù)：該數(shù)據(jù)集包含N元語法表示數(shù)據(jù)，這些數(shù)據(jù)可以用于IR研究中常見的查詢重寫（query rewriting）任務，也可以用于NLP研究中常見的詞語和句子相似性分析任務。（2.6GB）
https://webscope.sandbox.yahoo.com/catalog.php?datatype=l
雅虎的N元語法模型數(shù)據(jù)（版本2.0）：n元語法模型數(shù)據(jù)（n=1-5），從一個包含1460萬個文檔（1.26億條不重復的語句，34億個運行詞）的語料庫中提取，這些文檔是從12000個面向新聞的站點里爬取的（12 GB）
https://webscope.sandbox.yahoo.com/catalog.php?datatype=l
雅虎搜索日志的相關性判斷：匿名雅虎搜索日志的相關性判斷（1.3GB）
https://webscope.sandbox.yahoo.com/catalog.php?datatype=l
雅虎的英語維基百科語義注釋快照：包含從2006年11月4日開始的經(jīng)一些公開的NLP工具處理后的英文維基百科，共有1,490,688個條目。（6GB）
https://webscope.sandbox.yahoo.com/catalog.php?datatype=l
Yelp：包含餐廳排名和220萬條評論
https://www.yelp.com/dataset
Youtube：170萬條YouTube視頻描述（torrent格式）
https://www.reddit.com/r/datasets/comments/3gegdz/17_millions_youtube_videos_description/
資源
優(yōu)秀的公開NLP數(shù)據(jù)集（包含更多清單）
https://github.com/awesomedata/awesome-public-datasets
亞馬遜公開數(shù)據(jù)集
https://aws.amazon.com/de/datasets/
CrowdFlower數(shù)據(jù)集（包含大量小調查和對特定任務以眾包方式獲得的數(shù)據(jù)）
https://www.crowdflower.com/data-for-everyone/
Kaggle數(shù)據(jù)集
https://www.kaggle.com/datasets
Kaggle比賽（請確保這些kaggle比賽數(shù)據(jù)可以在比賽之外使用）
https://www.kaggle.com/competitions
開放圖書館
https://openlibrary.org/developers/dumps
Quora（大部分為已標注好的語料庫）
https://www.quora.com/Datasets-What-are-the-major-text-corpora-used-by-computational-linguists-and-natural-language-processing-researchers-and-what-are-the-characteristics-biases-of-each-corpus
reddit數(shù)據(jù)集（無數(shù)個數(shù)據(jù)集，大部分由業(yè)余愛好者爬取，但數(shù)據(jù)的整理和許可可能不夠規(guī)范）
https://www.reddit.com/r/datasets
Rs.io：也是一個很長的數(shù)據(jù)集清單
http://rs.io/100-interesting-data-sets-for-statistics/
Stackexchange：公開數(shù)據(jù)
http://opendata.stackexchange.com/
斯坦福NLP組（大部分為已標注的語料庫和TreeBanks，以及實用的NLP工具）
https://nlp.stanford.edu/links/statnlp.html
雅虎研究院的數(shù)據(jù)集匯總Webscope（還包含了使用了這些數(shù)據(jù)的論文列表）
http://webscope.sandbox.yahoo.com/
相關報道：
https://github.com/niderhoff/nlp-datasets/blob/master/README.md
