中文文本分类数据集下载与来源整理THUCNews、CLUE、ChineseNlpCorpus中文文本分类任务需要给文字贴标签如新闻分类、情感分析大部分公开数据集可免费下载少数学术库或需注册的源有门槛。下面按来源逐个说明获取难度和注意事项。主要来源分布新闻类数据财经、体育、科技、娱乐等清华THUCNews、搜狗新闻语料、今日头条标题数据。评论/情感类数据好评差评、电商外卖评论GitHub上的合集CSV格式可直接下载。综合评测基准子集CLUE打包了多个可直接使用的小数据集。核心数据集横向对比下表从类别数、样本量、格式、获取难度和主要用途五个维度对五个最常用的中文文本分类数据集进行横向对比方便读者根据自身需求快速选择数据集类别数样本量格式获取难度主要用途THUCNews14 个约 74 万篇纯文本中等需学术授权Hugging Face 镜像可一键加载新闻多分类最经典的中文基准CLUE15 / 119 / 67 等多子集TNEWS ~26.6 万IFLYTEK ~1.7 万CSLDCP 约 7.3 万JSON / Parquet低GitHub Hugging Face 直接下载多任务评测短新闻、长文本、学科分类、情感分析均有ChineseNlpCorpus2 / 10 等多子集酒店 ~1 万外卖 ~1.2 万电商 ~6 万微博 ~10 万CSV低开源GitHub 直接下载好评/差评二分类入门多类商品评论分析今日头条 toutiao15 个约 38 万条纯文本_!_分隔低GitHub 直接下载短新闻标题分类轻量训练首选搜狗新闻 SogouCS由 URL 推断完整版解压 ~3.3GBXMLANSI 编码中等需编码转换部分版本需注册协议大规模新闻分类需较多预处理选型建议入门文本分类建议从今日头条 toutiao或ChineseNlpCorpus开始下载即用、预处理少需要权威基准对比可选THUCNews需要多任务综合评测选CLUE大规模语料研究可考虑搜狗 SogouCS但需预留预处理时间。逐个来源说明1. 新闻分类经典集THUCNews清华简介清华大学 NLP 实验室整理的新浪新闻数据约 74 万篇、14个类别财经、体育、科技、娱乐等纯文本格式体量约 2GB 以上。是中文新闻分类最常引用的基准数据集。官方入口http://thuctc.thunlp.org/ 提供工具包和数据申请入口便捷镜像https://huggingface.co/datasets/seamew/THUCNews Hugging Face镜像有技术基础可一键加载最终授权以原始集为准注意官方写明仅供学术/研究使用。能否商用、再分发需查看官方授权页不宜默认可随意使用。2. 中文评测基准子集CLUECLUE中文语言理解评测基准打包了多个文本分类数据集TNEWS今日头条短新闻分类约 26.6 万条训练数据、15个类别。IFLYTEKAPP应用描述长文本分类1.7 万多条样本、119个类别。CSLDCP中文科学文献学科分类67个类别。EPRSTMT电商评论二分类情感好评/差评小样本任务。官方GitHubhttps://github.com/CLUEbenchmark/CLUE 含基准说明和基线代码可加载镜像https://huggingface.co/datasets/clue tnews、iflytek等子集JSON/Parquet 格式数字核对https://www.cluebenchmarks.com/introduce.html 各任务定义、训练/验证/测试规模类别数和样本量以此页为准注意主要面向研究用途各子集许可以原始页面为准。3. 评论/情感分类常用合集ChineseNlpCorpus简介GitHub 上整理好的中文情感/评论分类合集CSV 格式开源、可直接下载适合好评/差评二分类入门使用。包含ChnSentiCorp酒店评论二分类waimai_10k外卖评论约 1.2 万条好评约 4 千、差评约 8 千online_shopping_10cats10类商品共6万多条评论好评差评各约3万weibo_senti_100k新浪微博10万多条好评差评各约5万地址https://github.com/SophonPlus/ChineseNlpCorpus4. 今日头条新闻标题分类toutiao数据集简介约 38 万条头条新闻、15 个类别。字段用_!_分隔新闻 ID、类别码、类别名、标题、关键词纯文本可直接下载。地址https://github.com/fate233/toutiao-text-classfication-dataset5. 搜狗新闻语料库 SogouCS搜狗实验室简介XML格式的新闻语料依靠网址URL推断频道做分类。精简版约一两百个文本文件完整版解压约 3.3GB。地址http://www.sogou.com/labs/resource/cs.php注意使用门槛较高——文件是 ANSI/XML 编码需编码转换和解析。部分版本需先注册、同意协议才能下载以官方页面为准。6. 国内综合平台需登录数据集随平台变动以下国内平台有中文文本分类/情感分析数据集但通常需登录部分需实名具体内容随平台更新阿里云天池https://tianchi.aliyun.com/dataset/ 含 NLP 新闻分类等数据集和学习赛百度飞桨AI Studiohttps://aistudio.baidu.com/datasetoverview 含中文新闻标题分类等和鲸社区Heywhalehttps://www.heywhale.com/home 有文本分类/情感分析数据集和示例笔记本7. 国际平台入口需对应账号Kagglehttps://www.kaggle.com/code/gpreda/chinese-text-classification 中文文本分类示例和配套数据需Kaggle账号8. 学术付费/受限库个人一般无法下载以下库有高质量中文文本语料但主要依靠高校图书馆订阅或机构付费/申请个人很难免费直接下载CSMAR国泰安/希施玛https://data.csmar.com/ 含财经新闻、舆情文本CnOpenDatahttps://www.cnopendata.com/ 含人民日报文本、A 股新闻舆情、省市官方报纸等获取难度三档划分可直接免费下载ChineseNlpCorpus 评论合集、今日头条标题数据集以及THUCNews 和 CLUE 子集的 Hugging Face 镜像有技术基础可一键加载。免费但有一定门槛THUCNews 官方入口需注意学术授权、搜狗 SogouCS需编码转换、部分版本需注册同意协议、天池 / 飞桨 / 和鲸需登录、部分需实名。付费或机构限定CSMAR、CnOpenData个人基本无法下载需依靠学校或单位账号。需提前注意的几点网盘链接容易失效网上常被转发的“复旦中文文本分类语料”这类链接往往走百度网盘、带提取码时间一长容易失效。以发布方当前页面为准。找不到时的替代路径官方集打不开 → 查找Hugging Face上的镜像如THUCNews的seamew镜像。网盘链接失效 → 转去CLUE中查找同类现成子集如需新闻分类可用TNEWS。评论情感数据没有合适来源 → 直接用ChineseNlpCorpus这个整理好的合集起步。使用前注意许可与合规先看许可不应想当然使用THUCNews、搜狗语料、复旦语料等很多写明“仅供学术研究”。能否商用、再分发需逐个查看各自官方授权页以官方页面为准。新闻和评论原文有版权新闻正文、用户评论受版权保护。自行研究、模型练习一般没问题但如需商用、对外发布或二次分发务必先确认授权。国内平台需查看平台条款天池、飞桨、和鲸上的数据集各有使用条款下载前请留意平台和发布者的说明。来源零散时的服务支持中文文本分类的数据来源多但零散获取难度差别大。新闻分类和评论情感是两套不同数据经典集分散在高校实验室网页、GitHub、网盘和 Hugging Face 镜像中学术付费库又是另一档。逐个核对许可、确认下载确实费时。如果你不想自行逐个查找我们的服务可以提供支持数聚天成 DeepSData可以做一次深度数据可得性检索——跨这些零散来源逐个查清“有什么、什么格式、许可怎样、是否需要登录或付费”最后给出一个诚实的判断这份数据是直接免费下载、需要校园网、还是只能申请。命中时会给出获取路径未命中时也会提供替代方案。我们替你完成“广泛检索 如实交底”这部分工作但最终的许可核对仍建议你到官方页面确认外链也不保证长期有效。如有需要告诉我们你想找什么、必须满足哪些条件即可。本文仅作公开来源整理和可得性参考不构成医疗、法律、投资、商业决策或合规意见正式使用前请以官方页面、授权条款和专业意见为准。说明本文为公开资料整理仅供参考平台政策、价格、下载方式与链接随时可能变化本文不保证持续更新请以各官方页面最新信息为准。——完整版与全部数据来源中文文本分类数据集下载与来源THUCNews、CLUE、ChineseNlpCorpus