最新！今日头条新闻文本分类数据集（github）

高薪招聘兼职AI讲师和AI助教！

加入高端数字货币投资者群！

数据来源：今日头条客户端

数据格式：

6552431613437805063_!_102_!_news_entertainment_!_谢娜为李浩菲澄清网络谣言，

之后她的两个行为给自己加分_!_佟丽娅,网络谣言,快乐大本营,李浩菲,谢娜,观众们

每行为一条数据，以_!_分割的个字段，从前往后分别是 新闻ID，分类code（见下文），分类名称（见下文），新闻字符串（仅含标题），新闻关键词

分类code与名称：

100 民生 故事 news_story 101 文化 文化 news_culture 102 娱乐 娱乐 news_entertainment 103 体育 体育 news_sports 104 财经 财经 news_finance 106 房产 房产 news_house 107 汽车 汽车 news_car 108 教育 教育 news_edu 109 科技 科技 news_tech 110 军事 军事 news_military 112 旅游 旅游 news_travel 113 国际 国际 news_world 114 证券 股票 stock 115 农业 三农 news_agriculture 116 电竞 游戏 news_game

数据规模：

共382688条，分布于15个分类中。

采集时间：

2018年05月

实验结果：

以0.7 0.15 0.15做分割。欢迎提交你使用本数据集的实验结果~

以上Acc较低的原因：

1，数据不均衡，部分类目数据太少

2，部分分类之间本身模棱两可，例如故事、文化、旅行

详见text-class xxxx内代码

后续可以优化的地方：

1，更多的数据

2，更全的分类

因为分类不全，例如缺少美食等，导致实际使用时，分哪里都不对的情况出现。

3，更均衡的分类数据

4，引入正文

原文链接：https://github.com/fateleak/toutiao-text-classfication-dataset

- 加入AI学院学习 -

点击“ 阅读原文 ”进入学习