提供者：刘晓
地址：http://trec.nist.gov/data/reuters/reuters.html
简介
在2000年，路透社有限公司提供了大量路透社新闻报道，用于研究和开发自然语言处理，信息检索和机器学习系统。这个被称为“路透社语录1”或RCV1的语料库显着大于在文本分类社区中大量使用的旧版着名的路透社21578集合。 在2004年秋季，NIST接管了RCV1和任何未来路透社的发行。
Reuters Corpora (RCV1, RCV2, TRC2) 是一个英文新闻语料数据，包括大量的英文新闻及分类标注。
数据集内容
RCV1: 路透社语料库，第1卷，英语，1996-08-20至1997-08-19（发布日期2000-11-03，格式版本1，更正等级0） 这是通过网络下载分发，包含约810,000路透社，英语新闻故事。它需要约2.5 GB的存储未压缩的文件。
RCV2: Reuters Corpus，第2卷，多语种语料库，1996-08-20至1997-08-19（发布日期2005-05-31，格式版本1，更正等级0） 这是通过网络下载发布的，包含超过487,000条路线以13种语言（荷兰语，法语，德语，中文，日语，俄语，葡萄牙语，西班牙语，拉丁美洲西班牙语，意大利语，丹麦语，挪威语和瑞典语）的新闻报道。故事不是平行的，而是由当地记者用各种语言编写的。这些故事与RCV1同时出现，但有些语言并不涵盖整个时间段。
TRC2: TRC2 汤森路透文本研究集（TRC2） TRC2语料库包含1800,370个新闻报道，涵盖2008-01-01 00:00:03至2009-02-28 23:54:14或2,871,075,221字节的时间段，最初提供给2009年博客跟踪的参与者文本检索会议（TREC），以补充BLOGS08语料库（包含在格拉斯哥大学进行的大型博客搜索结果）。 TRC2通过网络下载进行分发。
相关论文
[1]. Lewis, D. D.; Yang, Y.; Rose, T.; and Li, F. RCV1: A New Benchmark Collection for Text Categorization Research. Journal of Machine Learning Research, 5:361-397, 2004.