文本分类（情感分析）——中文数据集汇总

文本分类数据集要点有情感/观点/评论，一般做倾向性分析，对于分类模型，在上几期中已经给出，今天小编给大家整理一下常用的一些中文分类数据集，喜欢的快来点赞收藏吧！

1.THUCNews数据集

THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成，包含74万篇新闻文档（2.19 GB），均为UTF-8纯文本格式。我们在原始新浪新闻分类体系的基础上，重新整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。

数据集地址：http://thuctc.thunlp.org/

2.今日头条新闻数据集

数据来源：今日头条客户端 数据规模：共382688条，分布于15个分类中。可参考这个文章

数据集地址：

https://github.com/aceimnorstuvwxz/toutiao-text-classfication-dataset

3.全网新闻（SougouCA）和搜狐新闻（SougouCS）数据集

不推荐使用，处理起来比较繁琐

数据集地址：暂无

4.ChnSentiCorp_htl_all数据集

7000 多条酒店评论数据，5000 多条正向评论，2000 多条负向评论

数据集地址：

https://raw.githubusercontent.com/SophonPlus/ChineseNlpCorpus/master/datasets/ChnSentiCorp_htl_all/ChnSentiCorp_htl_all.csv

5.waimai_10k数据集

某外卖平台收集的用户评价，正向4000 条，负向约 8000 条

数据集地址：

https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/waimai_10k/intro.ipynb

6.online_shopping_10_cats数据集

10 个类别（书籍、平板、手机、水果、洗发水、热水器、蒙牛、衣服、计算机、酒店），共 6 万多条评论数据，正、负向评论各约 3 万条

数据集地址：

https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/online_shopping_10_cats/intro.ipynb

7.weibo_senti_100k数据集

10 万多条，带情感标注 新浪微博，正负向评论约各 5 万条。

数据集地址：

https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_senti_100k/intro.ipynb

8.simplifyweibo_4_moods数据集

36 万多条，带情感标注 新浪微博，包含 4 种情感，其中喜悦约 20 万条，愤怒、厌恶、低落各约 5 万条。

数据集地址：

https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/simplifyweibo_4_moods/intro.ipynb

9.dmsc_v2数据集

28部电影，超70万用户，超200万条评分/评论数据

数据集地址：

https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/dmsc_v2/intro.ipynb

10.yf_dianping数据集

24 万家餐馆，54 万用户，440 万条评论/评分数据

数据集地址：

https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/yf_dianping/intro.ipynb

11.yf_amazon数据集

2 万件商品，1100 多个类目，142 万用户，720 万条评论/评分数据

数据集地址：

https://github.com/SophonPlus/ChineseNlpCorpus/tree/master/datasets/yf_amazon

12.Datahub数据中心

包含文本分类、情感分析以及知识图谱的数据集

数据集地址：

http://www.datahub.ileadall42.com/data/list?category=2&parent_category=1

13.AI_challenger情感分析数据集

数据集分为训练、验证、测试A与测试B四部分。数据集中的评价对象按照粒度不同划分为两个层次，层次一为粗粒度的评价对象，例如评论文本中涉及的服务、位置等要素；层次二为细粒度的情感对象，例如“服务”属性中的“服务人员态度”、“排队等候时间”等细粒度要素。

数据集地址：https://pan.baidu.com/s/1THPLarF9A2njs7FsCA_QoQ 密码: 9t16

以上便是小编收集的可用于中文分类的数据集，如果上面有误或者你有其他补充，欢迎在评论区留言，另外上面有些数据集需要先进行处理才可以进行训练，有需要可有偿联系，对于训练代码可参考如下：

BERT文本分类——基于美团外卖评论数据集

BERT文本分类——基于toutiao今日头条新闻数据集

BERT文本分类——基于simplifyweibo_4_moods微博数据集

最后：

会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！