【发布时间】：2015-01-31 12:21:36
【问题描述】：
我想使用 20 个新闻组数据集来测试一个算法，并分析每个组的重要词。
在University of Toronto提供的网站上。但是我找不到这个数据集对应的词汇文件。那么有没有人可以给我点灯呢？
【问题讨论】：
标签： machine-learning classification newsgroup
【发布时间】：2015-01-31 12:21:36
【问题描述】：
您可以尝试 here 获取 20 个新闻组数据集。它还包括一个词汇文件，但它可能与您拥有的文件不一致，因此使用那里的所有文件可能会有所帮助。
希望对您有所帮助！
【讨论】：
-
我知道这个官方网站，但是对那个数据的预处理可能会丢失一些信息，结果也很不愉快。从 20news-bydate-matlab.tgz 中排除停用词后，剩余的词汇表仍然包含一些词，例如“sgi、cec、att...”。而且我不知道用词干改变单词。