مجموعه داده های متن کاوی

متن کاوی، علم شناسایی الگوهای پنهان در متن است. قلب متن کاوی را مجموعه داده ها و دیتاست ها متنی تشکیل می دهد. بدون دیتاست و مجموعه داده نمی توان متن کاوی یا کشف دانش از متن انجام داد. دیتاهارت به عنوان یکی از زیر مجموعه های آکادمی داده صد ها مجموعه داده بومی و داخلی برای متن کاوی ارائه کرده است. این مجموعه ها برای علاقه مندان متن کاوی فارسی بسیار با ارزش است زیرا محققین داخلی برای متن کاوی (طبقه بندی، خلاصه سازی یا خوشه بندی) به متن های فارسی تهیه شده نیاز دارند. دیتاهارت با تلاشهای بسیار مجموعه داده های با ارزشی مانند مجموعه داده همشهری و پرسیکا تهیه کرده و منتشر کرده است. در ادامه با لیست مجموعه داده های متن کاوی در دیتاهارت آشنا خواهید شد.

مجموعه داده همشهری شامل یک هزار سند در دو گروه خبری فرمت csv

متن انگلیسی شاهنامه فردوسی در فرمت تکست

متن فارسی شاهنامه فردوسی در فرمت تکست

مجموعه داده نویسنده و متن نوشته

مجموعه سخنرانی های تد تالک

مجموعه داده مناسب برای طبقه بندی متون انگلیسی

مجموعه داده نام کنفرانس و عنوان مقالات منتشر شده در آن

لیست کلماتی که در فارسی اشتباه نوشته می شوند

مجموعه داده توییت های فارسی در گروههای فرهنگی، سیاسی، اقتصادی و ورزشی

مجموعه داده همشهری شامل ده هزار سند در ده گروه خبری فرمت اکسل

مجموعه داده همشهری شامل ده هزار سند در فرمت اکسل و csv

نسخه جدید(1.7) فریم نت