數據集是機器學習無法忽視的話題，我們根據數據集的類型，收集一些常用的數據集，方便大家快速找到自己需要的數據集。
SNLI
A large annotated corpus for learning natural language inference
Stanford Natural Language Inference (SNLI) 自然語言推理最常用版本。 包含了 550152 條訓練樣本，10000 條驗證樣本，10000條測試樣本。每條樣本是一個 句子對，每個 句子對 都被標註為這三個標籤之一：中立，牽連，矛盾。
Multi-NLI
A broad-coverage challenge corpus for sentence understanding through inference
Multi-Genre Natural Language Inference (MNLI) 收集了 433000 條 句子對。該語料庫是 SNLI 的擴展，涵蓋廣泛，包括 口語 和 書面語，並支持獨特的 跨類型概括評估（cross-genre generalization evaluation）。
SICK
Semeval-2014 task 1: Evaluation of compositional distributional semantic models on full sentences through semantic relatedness and textual entailment,
Sentences Involving Compositional Knowledge (SICK) 包含 10000 個英語句子對，每個 句子對 都被標註為這三個標籤之一：中立，牽連，矛盾。
MSRP
Unsupervised construction of large paraphrase corpora: Exploiting massively parallel news sources,
Microsoft Research Paraphrase (MSRP) 經常用於 文本相似性任務。其包括 4076 條訓練樣本和 1725 條測試樣本。每個樣本都是一個 句子對，並用 二分類 來表示 兩個句子是否相似（paraphrases）。
其他常見數據集
- Semantic Textual Similarity (STS)
Semeval-2017 task 1: Semantic textual similarity-multilingual and cross-lingual focused evaluation
- RTE
The PASCAL Recognising Textual Entailment Challenge
- SciTail
Scitail: A textual entailment dataset from science question answering
參考文獻
- Deep Learning Based Text Classification: A Comprehensive Review
閱讀更多 圖網絡與機器學習 的文章
