从何处获取预先标记的新闻文章以进行聚类算法

Question

我将要构建一个系统，该系统可以根据与之相关的事件对在线新闻数据进行聚类。为了检查结果是否正确，我需要一个带有大型主题标签的新闻数据集。对于我来说，手动标记它们似乎几乎是不可能的。因此，谁能分享一些建议，我如何掌握这种数据集呢？非常感谢您的帮助。

Answer 1

20 Newsgroups是从新闻聚类，分类等开始的标准数据集。您可以将其用于实验。根据说明：

  

20个新闻组数据集是大约20,000个新闻组文档的集合，这些文档（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，可能是因为他的Newsweeder：学习过滤netnews论文，尽管他没有明确提及此收藏。 20个新闻组集合已成为用于机器学习技术的文本应用程序（例如文本分类和文本聚类）中的实验的流行数据集。