新浪新闻文本分类 语料库重建 本项目的语料来源新浪新闻网，通过spider.py爬虫模块获得全部语料，总计获得10类新闻文本，每一类新闻文本有10条。 采纳新浪新闻网的一个api获取新闻文本，api的url为 使用进度池并发执行爬虫，加快抓取速度。 数据预处理 本项目的数据预处理包括：分词处理，去噪，向量化，由stopwords.py模块，text2term.py模块，vectorizer.py模块实现。 本项目借助第三方库解霸完成文本的分词处理。 通过停用词表移除中文停用词，通过正则表达式消除数字（中文数字＆阿拉伯数字）。 filter_pattern = re . compile ( ur'[-+]?[\w\d]+|零|一|二|三|四|五|六|七|八|九|十|百|千|万|亿' ) 使用进程池并发执行数据的分词和去噪，加快数据预处理的过程。 把数据集1：1划分为训练集和测试集，各50w篇文档。 通过scikit-learn提供的CountVectorizer类完成矢量化，得到训练集和测试集两个文本的特征矩阵，矩阵类型为稀疏矩阵。 移除文档中文档频率小于0.1％的特征，这些特征我们认

本节资料是练习RNN文本分类的数据，数据有是10类别，模型采用两层的LSTM网络。数据包含了测试集，训练集和验证集，并且代码讲解很详细，是联系RNN网络LSTM实现的好数据。

数据集来自国际文本信息检索会议（Text Retrieval Conference，TREC）中TREC2006的中文邮件和英文邮件数据集，供垃圾邮件分类学习使用

imdb、SST-1、SST-2、yelp-2013、yelp-2014 文本分类数据集 https://github.com/JerrikEph/Capsule4TextClassification/blob/master/data/downloadDataset.md

网上很多复旦大学的文本分类数据集，但是训练和测试大多是分开的。 我收集下载重新打包，以方便大家使用。 仅需5个积分，是最便宜的了。

1. CK数据集-ck，ck+表情识别 2. cnn文本分类-cnews 注释：百度云链接

文本分类数据集（共13个20ng,mr,R8,R52,ohsumed,wiki,agnews等） 数据量很多，适合进行深度学习实验

新闻文本的特征、标签

【自然语言处理】文本分类模型_BiLSTM+Attention_TensorFlow实现，是该博客https://blog.csdn.net/bqw18744018044/article/details/89334729的数据集，可能有点错误，请谨慎使用

包含体育、游戏等10个类别，共60000多条数据 格式：标签\t文本语料