500W条NLPIR twitter内容语料库

NLPIR twitter内容语料库说明

 

1.NLPIR twitter内容语料库由北京理工大学网络搜索挖掘与安全实验室张华平博士，通过公开采集抽取从twitter中获得。为了推进微博计算的研究，现通过自然语言处理与信息检索共享平台(www.nlpir.org)予以公开共享其中的500万条数据（目前已有数据接近1亿，已经剔除了大量的冗余与机器信息）

2.本语料库在公开过程中，已经最大限度地采用技术手段屏蔽了用户真实姓名和url，如果涉及到的用户需要全面保护个人隐私的，可以Email给张华平博士[email protected]予以删除，对给您造成的困扰表示抱歉，并希望谅解；

3.只适用于科研教学用途，不得作为商用；引用本语料库，恭请在软件或者论文等成果特定位置表明出处为：NLPIR twitter内容语料库，出处为自然语言处理与信息检索共享平台(http://www.nlpir.org/)。

4.字段格式说明：

语料为mongodb导出的json格式，大约500万条Twitter数据（其中过滤了部分敏感的Twitter状态，占7%左右），每行为一个json对象，对象中一共有三个字段，分别是user_id      用户的id，我们对语料包中Twitter的用户名进行隐藏操作，取而代之的则是一个标记用户的int值id

text         这条Twitter状态的内容

created_at   此条Twitter状态所发布的时间，为距离格林尼治时间1970年1月1日0时开始所经过的秒数

可以运行以下命令，直接使用mongodb自带的导入程序导入到mongodb

mongoimport -d <数据库名> -c tweets tweets.utf8

 

下载地址： http://vdisk.weibo.com/s/yW3j3   (解压缩密码，请关注微博 NLPIR官方微博  http://weibo.com/bigdatasearch，私信获取。)