自然语言处理数据集-20个

用于情感分析的数据集

1. Multidomain sentiment analysis dataset: 来自亚马孙的稍微老点的数据集，主要是是对产品评价的情况分析

2. IMDB reviews: 比较老一点的小数据集，包含了25000个电影的评价，主要用于情感二分类问题

3. Stanford Sentiment Treebank: Stanford的标注的情感分析数据

4. Sentiment140: 比较流行的数据集，包含了移除了表情符号的tweet情感分析用文本

5. Twitter US Airline Sentiment: 推特上美国航空的2015年2月份以来情感分析数据，分为正面、负面和中立三类。

文本数据集

1. 20 Newsgroups: 从20个不同的新闻组织收集的20000片文章

2. Reuters News dataset: 从1987年以来的Rueters新闻机构收集的文本

3. Penn Treebank: 从1989年以来的华尔街时报的文章，可以用来预测下个单词

4. UCI’s Spambase: 比较大的垃圾邮件的数据集，可以用于过来垃圾邮件

5. Yelp Reviews: Yelp发布的开放式数据集，包含差不多5百万的用户评价

6. WordNet: 同义词集，每一组同义词表达一个不同的概念

自然语言处理的通用数据集

1. Enron Dataset: Enron的资深管理收集的邮件数据

2. Amazon Reviews: 包含亚马逊18年的3.5千万评价，里面有产品信息、用户信息、评分和评价

3. Google Books Ngrams: Google book上收集的单词

4. Blogger Corpus: 从blogger.com上收集的包含681288条博客，每条博客包含至少包含200个常用的单词

5. Wikipedia Links data: Wikipedia的数据，包含了将近1.9千万的单词，4百万篇文章，可以根据单词、词组等进行搜索

6. Gutenberg eBooks List: Gutenberg项目标注的电子书列表

7. Hansards text chunks of Canadian Parliament: 1300000条加拿大第三十六届会议记录的文本

8. Jeopardy: 从Quiz上收集的200000个和安全相关的问题

9. SMS Spam Collection in English: 5574条英文垃圾短信的数据集

 参考地址：LiveToolkit