There are two corpora - mostly English (trec06p) and Chinese (trec06c). trec06p/full/ -- Ideal feedback English corpus trec06p/full-delay/ -- Delayed feedback English corpus trec06c/full/ -- Ideal feedback Chinese corpus trec06c/delay/ -- Delayed feedback Chinese corpus

UCI经典分类二分类数据集，机器学习算法测试。亲测可用。

本语料库由复旦大学李荣陆提供。 train.zip共9804篇文档，test.zip共9832篇文档，都分为20个类别。 下载后可以自己重新切分数据，也可以直接用。 免费下载地址：链接:https://pan.baidu.com/s/1E2vUjyBtrlG0SBCkO-_IAQ 密码:dq9m 使用时尽量注明来源（复旦大学计算机信息与技术系国际数据库中心自然语言处理小组）。

新闻栏目中文文本分类，新闻栏目一共有： 体育 5000 时政 5000 房产 5000 家居 5000 财经 5000 时尚 5000 科技 5000 教育 5000 娱乐 5000 游戏 5000 每个新闻栏目拥有5000条新闻，通过对新闻内容作为样本训练模型，使得该模型能够预测出该条新闻所属的栏目。

文本挖掘 文本分类 数据集 进行文本挖掘,文本分类聚类等研究的可用的数据集

最全的商品分类数据，几乎覆盖所有行业 文件说明： tb_bas_prod_category.sql 9千多条三级商品分类 tb_bas_prod_category_brands.sql 54万多条商品分类对应的品牌数据 tb_bas_prod_category_units.sql 4万多条商品分类对应的计量单位数据

1688分类ID，类目列表，详情准确，类目大全 包括一级分类，二级分类，三级分类等,示例数据： array ( 'name' => '电工电气', 'pid' => 0, 'pids' => array ( ), 'sub' => array ( 55884010 => '塑壳式断路器', 1039696 => '低频变压器', 1039702 => 'E型变压器', onebound.cn 提供

康奈尔大学网站的2M影评数据集。 配合教程http://blog.csdn.net/lsldd/article/details/41542107

自己写论文手工标注的8分类的数据集，做文本情感分类用

常用数据集IMDB影评倾向分类数据集。本数据库含有来自IMDB的25,000条影评，被标记为正面/负面两种评价。影评已被预处理为词下标构成的序列。