【发布时间】：2019-08-30 09:54:53
【问题描述】：
我即将构建一个系统，该系统可以根据相关事件对在线新闻数据进行聚类。为了检查结果是否正确，我需要一个带有主题标签的大型新闻数据集。我几乎不可能手动标记它们。那么任何人都可以分享一些建议，我如何才能掌握这种类型的数据集？非常感谢您的帮助。
【问题讨论】：
标签： text nlp cluster-analysis
【发布时间】：2019-08-30 09:54:53
【问题描述】：
20 Newsgroups 是一个标准数据集，从新闻聚类、分类等开始。您可以将其用于您的实验。来自描述：
20 个新闻组数据集是大约 20,000 个新闻组文档的集合，它们（几乎）均匀地分布在 20 个不同的新闻组中。据我所知，它最初是由 Ken Lang 收集的，可能是为了他的 Newsweeder: Learning to filter netnews paper，尽管他没有明确提到这个集合。 20 个新闻组集合已成为机器学习技术文本应用实验的流行数据集，例如文本分类和文本聚类。
【讨论】：
-
非常感谢，我以前下载过这个数据集。但我不能使用这个数据集的原因是我需要应用基于事件的聚类，这要求数据集必须由他们描述的核心事件预先标记。如果有的话，我可以实现那种非常有用的新闻数据形式。