公布一批中文文本分类的新闻语料库

注:博文转载、语料库使用,请注明提供者、来源以及空间提供方。

免责声明:此语料库仅供自然语言处理的业余爱好者研究和交流,禁止用于任何商业用途(包括在资源内部链接广告等行为)。

感谢网易新闻中心、腾讯新闻中心、凤凰新闻中心以及新浪新闻中心提供新闻素材。新闻著作权归以上网站所有,任何人未经上述公司允许不得抄袭。

语料库下载地址:http://download.cnblogs.com/finallyliuyu/corpus.rar

语料素材来源:      凤凰新闻中心、网易新闻中心、腾讯新闻中心、新浪新闻中心。

语料库整理提供者:  finallyliuyu 

语料库空间提供方: 博客园(无偿提供)

说明:

1、此语料库非职务作品,由本人在业余时间搜集整理,免费提供给对NLP狂热的业余爱好者学习研究使用;本人是自然语言处理的业余爱好者,在类别定义等方面都可能存在一些欠缺,欢迎大家提出宝贵意见和建议;

2、下载地址提供的是MS SQL2000数据库的备份文件。使用此数据库,您需要安装 MS SQL2000 server,然后将corpus.rar解压并还原。压缩包大小为54.8M,共包含39247篇新闻,分为历史、军事、文化、读书、教育、IT、娱乐、社会与法制等八个类别。历史类、文化类、读书类新闻来自于凤凰网,IT类的新闻全部来自tech.qq,教育类的新闻来自edu.qq,娱乐类的新闻来自网易。社会与法制类的新闻来自于新浪和腾讯的几个版面;

3、需要特别注意的是,有的新闻在开头处有大量空白,因此在查询数据库ArticleText字段中有大片空白的,不是空新闻,是整个新闻体截断显示的缘故。

4、有关语料库的其他情况,请参考《献给热衷于自然语言处理的业余爱好者的中文新闻分类语料库之一》

我本人在此语料库做过的验证性实验有:《KL语义距离计算系列》 ,《Kmeans聚类系列以及《文本分类和特征词选择系列》。

感谢DUDU在博客园无偿帮忙提供空间;也感谢博客园团队。衷心祝愿你们越办越好!

此条目发表在文本分类, 语料库分类目录,贴了, 标签。将固定链接加入收藏夹。

公布一批中文文本分类的新闻语料库》有 11 条评论

  1. finallyliuyu说:

    不好意思哈,我没找到在哪里调字体,汗,有点乱

    [回复]

    52nlp 回复:

    非常感谢!可以用html的编辑模式,把那些标签去掉!

    [回复]

    52nlp 回复:

    我帮你调整了一下,不知道是否合适!按说不应该这样做得,呵呵!

    [回复]

    finallyliuyu 回复:

    太感谢了:)

    [回复]

  2. cat@newsmth说:

    赞! 看到你的实验,就知道你是整 edit distance的那个id了

    [回复]

  3. Pingback引用通告: “我爱自然语言处理”两周岁 | 我爱自然语言处理

  4. aaa说:

    又看见你的博客了

    [回复]

  5. mededitor说:

    赞,这么好的资料,借用了

    [回复]

  6. 余镇源说:

    刚刚看到,博主是否有普通文本的语料呢。。

    [回复]

  7. fasdf说:

    。。。。

    [回复]

  8. Cathy1272015说:

    博主,您好,想问一下汉语有没有类似wordsim353的评测集?

    [回复]

发表评论

电子邮件地址不会被公开。 必填项已用*标注