Donde encontrar una gran texto del corpus?

Question

Estoy buscando grandes (>1000) texto del corpus para descargar. Preferiblemente con noticias del mundo o de algún tipo de informes. Sólo he encontrado uno con las patentes. Alguna sugerencia?

Gracias de antemano.

Answer 1

No los Wikileaks textos se adaptan a ti?

Answer 2

¿Qué acerca de wikinoticias? Aquí está el último volcado de base de datos que pude encontrar: http://dumps.wikimedia.org/enwikinews/20111120/

Usted probablemente desea que el de "Todas las páginas, las versiones actuales solo."-versión.

Answer 3

Reuters texto del corpus es un clásico en el campo, y puede ser encontrado aquí

Answer 4

Si la inmediatez no es un problema, usted puede intentar

http://www.infochimps.com/datasets/20-newsgroups-dataset-de-duped-version

y hay otros muchos más similar conjunto de datos en infochimp dependiendo de su presupuesto.

Saludos, Andy.

Answer 5

Si desea precalculadas de n-gramas, usted podría tratar de la búsqueda de libros de google archivo:

http://books.google.com/ngrams/datasets