美文网首页
搜狐新闻数据400w+

搜狐新闻数据400w+

作者: ___dada____ | 来源:发表于2018-05-20 11:03 被阅读984次

  在之前的闲聊对话语料中提到，爬取了400w+新闻语料训练word2vec，考虑到这个平台数据质量比较高， 但是爬取的时候又有频率限制、网页打开慢、甚至有时候需要多次访问才能打开网页，经过几个月断断续续地爬取，在此把这部分数据公布给大家学习使用。这部分数据不仅可用来训练word2vec，还能进行做简单的新闻分类任务（可以通过url确定新闻的类别）。

数据特点

  1. 时间跨度：2009-10-19至2016-10-31，2534天的新闻
  2. 同一天的数据保存在以日期“20xxxxxx”格式命名的文件中，一则新闻一行
  3. 非节假日，一天有1400+篇新闻
  4. 爬取的新闻已进行抽取正文，每则新闻包含的字段有url、title、content（部分新闻可能没有content）
  5. 已通过url进行去重
  6. 数据量400w+，大小12G+

正文样例

下载链接：链接: https://pan.baidu.com/s/1qsKVEFnEpwbRRcs-NISkjA 密码: hwrh

相关文章

网友评论

      本文标题：搜狐新闻数据400w+

      本文链接：https://www.haomeiwen.com/subject/zlgzdftx.html

      延伸阅读

      深度阅读

      • 您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

      栏目导航

      热点阅读

      关于我们|服务条款|联系我们|搜狐新闻数据400w+|投稿指南|网站地图|RSS订阅|排版工具|手机版

      提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

      Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网 版权所有

      备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

      本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

      所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！