数据集是机器学习无法忽视的话题，我们根据数据集的类型，分门别类地收集一些常用的数据集，方便大家快速找到自己需要的数据集。
Yelp
https://www.kaggle.com/yelp-dataset/yelp-dataset
这个数据集有两个，一个是有5个评级标签的（Yelp-5），一个是正负情感标签的（Yelp-2）。
- Yelp-5 每一类有 650000 条训练样本和 50000 条测试样本。
- Yelp-2 每一类有 560000 条训练样本和 38000 条测试样本。
IMDb
https://www.kaggle.com/lakshmi25npathi/imdb-dataset-of-50k-movie-reviews
电影评论情感二分类。包含同等数量的正负情感样本，各自有 25000 条样本。
Movie Review（MR）
Thumbs up?: sentiment classification using machine learning techniques
电影文本正负情感二分类，总共包含 10662 条样本。经常使用 随机切割的10折交叉验证 来测试这个数据集。
The Stanford Sentiment Treebank（SST）
Recursive deep models for semantic compositionality over a sentiment treebank
上一个数据集 MR 的扩展版本。有两个版本可以用。一个是包含五个标签的 SST-1，一个是二分类的 SST-2.
- SST-1 一共有 11855 条样本，其中 8544 条训练样本，1101 条验证样本，2210 条测试样本。
- SST-2 6920 条训练样本，872 条验证样本，1821 条测试样本。
MPQA
Annotating expressions of opinions and emotions in language
多视角问答数据集，是一个意见语料库，有两个标签。一共有 10606 条样本。这是一个 不均衡数据集，3311 条正样本和 7293 条负样本。
Amazon
https://www.kaggle.com/datafiniti/consumer-reviews-of-amazon-products
来自亚马逊购物网站的商品评论，也有两个版本：二分类和多分类。
- 二分类版本 有 3600000 条训练样本和 400000 条测试数据。
- 五分类版本 有 3000000 条训练样本和 650000 条测试样本。
其他常见
- SemEval-2014 Task 4
Semeval-2016 task 5: Aspect based sentiment analysis
Adaptive recursive neural network for target-dependent twitter sentiment classification
- SentiHood
Sentihood: Targeted aspect based sentiment analysis dataset for urban neighbourhoods
参考文献
- Deep Learning Based Text Classification: A Comprehensive Review
閱讀更多 圖網絡與機器學習 的文章
