路透社27000新闻分类数据集

数据集概述

该数据集为路透社新闻分类语料库，原始包含从路透社网站下载的27000篇随机新闻文章，覆盖健康、艺术、政治等8个类别。经去重处理后得到23863篇文档，随机分为14356篇训练集和9507篇测试集，存储标题、正文及所属类别信息。

文件详解

• 文件名称: Reuters27000/reuters_27000.zip
• 文件格式: ZIP压缩包
• 内容说明: 压缩包内包含路透社新闻分类数据集的完整内容，原始数据为HTML网页格式，提取字段包括新闻标题、正文及所属类别（健康、艺术、政治、体育、科学、技术、经济、商业）。

数据来源

路透社网站

适用场景

• 文本分类模型训练: 用于训练和测试新闻文本的多类别分类算法
• 自然语言处理研究: 可作为语料库支持文本预处理、特征提取等NLP基础研究
• 新闻主题分析: 探索不同类别新闻的主题分布及内容特征
• 机器学习基准测试: 为文本分类任务提供标准化测试数据集