TuReV Corpus

NIAID Data Ecosystem2026-05-01 收录

政治事件分析

文献数据挖掘

数据链接：

https://zenodo.org/record/7791581 数据链接链接失效反馈

官方服务：

资源简介：

Tunisian Revolution: Corpus of online news on the Tunisian Revolution extracted from France 24.com

创建时间：

2023-04-03

Pile-CC

文献数据挖掘

网络数据抓取

Pile-CC是一个基于Common Crawl的数据集，用于训练和研究目的。Common Crawl是一个从2008年开始收集的网站抓取数据集，包括网页、元数据和文本提取。然而，由于数据集的原始性质，其中的文本质量参差不齐。为了改善数据质量，Pile-CC使用了jusText工具对Web Archive文件（包括页面的HTML）进行提取，从而产生了更高质量的文本输出。

OpenDataLab2026-07-12 更新420

lsb/enwiki20240401

自然语言处理

文献数据挖掘

--- dataset_info: features: - name: id dtype: string - name: url dtype: string - name: title dtype: string - name: text dtype: string splits: - name: train num_bytes:

Hugging Face2024-04-25 更新120

Datasets from "Predicting Controlled Vocabulary Based on Text and Citations: Case Studies in Medical Subject Headings in MEDLINE and Patents"

医学信息学

文献数据挖掘

# Overview These datasets were created in conjunction with the dissertation "Predicting Controlled Vocabulary Based on Text and Citations: Case Studies in Medical Subject Headings in MEDLINE and Paten

doi.org100

BASF-AI/PubChemSMILESBitextMining

化学信息学

文献数据挖掘

该数据集包含四个配置，分别是canon-desc、canon-title、iso-desc、iso-title。每个配置都包含测试集，其中canon-desc和iso-desc包含描述字段，canon-title和iso-title包含标题字段。所有配置都包含规范化的SMILES或同分异构体的SMILES字段。数据集主要用于化学分子的描述和标题的规范化SMILES表示学习。

Hugging Face2025-01-02 更新160

spiralworks/sm_test

论坛分析

文献数据挖掘

这是一个包含论坛帖子和相关笔记的数据集，其中每个帖子都包括ID、标题、作者列表、摘要、关键词、PDF链接等信息。每个笔记则包括ID、类型、创建时间、回复对象、阅读者列表、签名和文本内容。数据集分为训练集，并提供了相应的字节数和示例数。

Hugging Face2025-01-16 更新110