blocks|key|604570|text|用于文本分类评估的最流行的数据集是：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|604571|604572|Reuters+Dataset|unordered-list-item|offset|length|604573|20+Newsgroup+Dataset|604574|604575|然而，上面的数据集不符合“大”的要求。以下数据集可能满足您的标准：|604576|你可以通过提取在|604577|Commoncrawl标签中具有特定关键字的文章来构建一个大型语料库，并将其应用于文档classification.|604578|Enron+Email+Dataset，你可以执行各种不同的分类任务here.|604579|Topic+Annotated+Enron+Dataset。不是免费的，但已经贴上标签，可以满足您的大型语料库请求|604580|604581|您可以浏览其他公开提供的datasets+here|604582|除了上述之外，你可能必须开发你自己的语料库。我将在这个周末晚些时候发布一个新闻语料库构建器，它将帮助你根据你选择的主题开发自定义语料库。|604583|更新：|604584|我创建了上面提到的自定义语料库构建器模块，但是忘了链接它News+Corpus+Builder|604585|entityMap|0|LINK|mutability|MUTABLE|url|http://www.daviddlewis.com/resources/testcollections/reuters21578/|1|http://www.cs.cmu.edu/afs/cs.cmu.edu/project/theo-20/www/data/news20.html|2|http://commoncrawl.org/the-data/|3|http://aws.amazon.com/datasets/917205|4|https://catalog.ldc.upenn.edu/LDC2007T22|5|http://aws.amazon.com/datasets|6|http://skillachie.github.io/news-corpus-builder/^0|0|0|0|F|0|0|0|K|1|0|0|0|0|0|B|2|0|0|J|3|0|0|T|4|0|0|C|D|5|0|0|0|S|J|6|0^^$0|@$1|2|3|4|5|6|7|1N|8|@]|9|@]|A|$]]|$1|B|3|-4|5|6|7|1O|8|@]|9|@]|A|$]]|$1|C|3|D|5|E|7|1P|8|@]|9|@$F|1Q|G|1R|1|1S]]|A|$]]|$1|H|3|I|5|E|7|1T|8|@]|9|@$F|1U|G|1V|1|1W]]|A|$]]|$1|J|3|-4|5|6|7|1X|8|@]|9|@]|A|$]]|$1|K|3|L|5|6|7|1Y|8|@]|9|@]|A|$]]|$1|M|3|N|5|6|7|1Z|8|@]|9|@]|A|$]]|$1|O|3|P|5|E|7|20|8|@]|9|@$F|21|G|22|1|23]]|A|$]]|$1|Q|3|R|5|E|7|24|8|@]|9|@$F|25|G|26|1|27]]|A|$]]|$1|S|3|T|5|E|7|28|8|@]|9|@$F|29|G|2A|1|2B]]|A|$]]|$1|U|3|-4|5|6|7|2C|8|@]|9|@]|A|$]]|$1|V|3|W|5|6|7|2D|8|@]|9|@$F|2E|G|2F|1|2G]]|A|$]]|$1|X|3|Y|5|6|7|2H|8|@]|9|@]|A|$]]|$1|Z|3|10|5|6|7|2I|8|@]|9|@]|A|$]]|$1|11|3|12|5|6|7|2J|8|@]|9|@$F|2K|G|2L|1|2M]]|A|$]]|$1|13|3|-4|5|6|7|2N|8|@]|9|@]|A|$]]]|14|$15|$5|16|17|18|A|$19|1A]]|1B|$5|16|17|18|A|$19|1C]]|1D|$5|16|17|18|A|$19|1E]]|1F|$5|16|17|18|A|$19|1G]]|1H|$5|16|17|18|A|$19|1I]]|1J|$5|16|17|18|A|$19|1K]]|1L|$5|16|17|18|A|$19|1M]]]]

The most popular datasets for text-classification evaluation are:

<ul>
<li><a href="http://www.daviddlewis.com/resources/testcollections/reuters21578/" rel="noreferrer">Reuters Dataset</a></li>
<li><a href="http://www.cs.cmu.edu/afs/cs.cmu.edu/project/theo-20/www/data/news20.html" rel="noreferrer">20 Newsgroup Dataset</a></li>
</ul>

However the datasets above does not meet the 'large' requirement. Below datasets might meet your criteria:

<ul>
<li><a href="http://commoncrawl.org/the-data/" rel="noreferrer">Commoncrawl</a> You could build a large corpus by extracting articles that have specific keywords in the meta tag and apply to document classification.</li>
<li><a href="http://aws.amazon.com/datasets/917205" rel="noreferrer">Enron Email Dataset</a> You could do a variety of different classifcation tasks here.</li>
<li><a href="https://catalog.ldc.upenn.edu/LDC2007T22" rel="noreferrer">Topic Annotated Enron Dataset</a> . Not free but already labelled and meets your large corpus request</li>
</ul>

You can browse other publicly available <a href="http://aws.amazon.com/datasets" rel="noreferrer">datasets here</a> 

Other than the above you might have to develop your own corpus.I will be releasing a news corpus builder later this weekend that will help you develop custom corpora based on topics of your choice

Update:

Had created the custom corpus builder module I mentioned above but forgot to link it <a href="http://skillachie.github.io/news-corpus-builder/" rel="noreferrer">News Corpus Builder</a>

blocks|key|969906|text|Huge+Reddit+archive+spanning+10/2007+to+5/2015|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|969907|entityMap|0|LINK|mutability|MUTABLE|url|https://archive.org/details/2015_reddit_comments_corpus^0|0|1A|0|0^^$0|@$1|2|3|4|5|6|7|L|8|@]|9|@$A|M|B|N|1|O]]|C|$]]|$1|D|3|-4|5|6|7|P|8|@]|9|@]|C|$]]]|E|$F|$5|G|H|I|C|$J|K]]]]

<a href="https://archive.org/details/2015_reddit_comments_corpus" rel="nofollow">Huge Reddit archive spanning 10/2007 to 5/2015</a>

Can anyone point me to some large corpus that I use for classification?

But by large I don't mean Reuters or 20 newsgroups, I'm talking about a corpus of GB size, not 20MB or something like that.

I was able only to find this Reuters and 20 newsgroups, which is very small for the thing I need.

Large classification document corpus

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

谁能告诉我一些我用来分类的大型语料库？但我指的不是路透社或20个新闻组，我说的是GB大小的语料库，而不是20MB或类似的内容。我只能找到这个路透社和20个新闻组，这对于我需要的东西来说是非常小的。

问大型分类文档语料库
EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问大型分类文档语料库EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问大型分类文档语料库
EN