包含四个数据集,分别从english20newsgroup、reuters 中提取,分别为500条记录,各含五类,每类文档数目不同!从两个母数据库中提取,存储为sqlserver2008格式,可以直接附加,表结构如下!全部进行了标注,可以用来分类或者聚类!

CREATE TABLE [dbo].[reutersdataset5lau](
 [ID] [int] NULL,
 [Title] [nvarchar](50) NULL,
 [ActualClass] [nvarchar](20) NULL,
 [TextContent] [nvarchar](max) NULL,
 [ShowClass] [nvarchar](20) NULL,
 [Note] [nvarchar](50) NULL,
 [HtmlCode] [nvarchar](4000) NULL,
 [SegResult] [nvarchar](max) NULL,
 [SegResultMark] [nvarchar](max) NULL,
 [Author] [nvarchar](50) NULL,
 [CreateTime] [nvarchar](20) NULL,
 [TrainSetID] [int] NULL,
 [SubClass] [nvarchar](50) NULL,
 [SegResultSentence] [nvarchar](max) NULL
) ON [PRIMARY]

语料库下载地址：http://www.nlpir.org/wordpress/download/English-Cluster-Corpus.rar