新闻文章数据集

Question

我做新闻分类的项目。基本上，系统将分类根据预先定义的话题的新闻报道（例如体育，政治，国际）。为了构建系统，我需要免费的数据集来训练系统。

至今，经过几个小时的谷歌搜索，并从here链接只适合数据集，我能找到的是this。虽然这将有希望，但我想我会尽力找到更多。

注意，数据集我想：

1. 包含完整的新闻报道，而不仅仅是标题
2. 是英文
3. 在.txt格式，而不是XML或DB

有谁能够帮助我？

Answer 1

你可以建造它，你可以写，你运行一个搜索一个Python/Perl的/ PHP脚本，那么当你找到答案，你可以隔离与正则表达式的属性...我认为是最好的选择。不容易，但应该很有趣，最后你可以与我们分享这个数据集。

Answer 2

您是否尝试过使用Reuters21578？它是文本分类最常用的数据集。这是格式化的SGML，但它是相当简单的解析和转换为txt格式。