SQuAD：一个最新的阅读理解数据集。该数据集包含 10 万个（问题，原文，答案）三元组，原文来自于 536 篇维基百科文章。
安然数据集：安然集团高级管理层的电子邮件数据。
Google Books Ngram：来自Google书籍的词汇集合。
博客语料库：从blogger.com收集的681，288篇博客文章。每个博客至少包含200个常用的英语单词。
维基百科链接数据（Wikipedia Links data）：维基百科全文。该数据集包含来自400多万篇文章，近19亿字。你可以对字、短语或段落本身的一部分进行搜索。
Gutenberg电子图书列表：Project Gutenberg的附加注释的电子书列表。
加拿大议会的文本块（Hansards text chunks of Canadian Parliament）：来自第36届加拿大议会记录的130万对文本。
危险边缘 (Jeopardy)：来自问答游戏节目《危险边缘》(Jeopardy) 的超过 20 万个问题的存档。
英文SMS垃圾邮件收集（SMS Spam Collection in English）：包含5，574条英文垃圾邮件的数据集。
Yelp评论（Yelp Reviews）：Yelp发布的一个开放数据集，包含超过500万次评论。
UCI的垃圾邮件库（UCI’s Spambase）：一个大型垃圾邮件数据集，用于垃圾邮件过滤。
问答
HotpotQA：面向自然语言和多步推理问题，新型问答数据集
CoQA：斯坦福最新问答数据集，囊括来自 7 个不同领域的文本段落里 8000 个对话中的 127,000 轮问答。
推荐系统
yf_amazon 数据集：52 万件商品，1100 多个类目，142 万用户，720 万条评论/评分数据
yf_dianping 数据集：24 万家餐馆，54 万用户，440 万条评论/评分数据
dmsc_v2 数据集：28 部电影，超 70 万 用户，超 200 万条 评分/评论 数据
ez_douban 数据集：5 万多部电影（3 万多有电影名称，2 万多没有电影名称），2.8 万 用户，280 万条评分数据
亚马逊评论：3500万条来自亚马逊的评论，时间长度为18年。数据包括产品和用户信息、评级等。
情感/观点/评论 倾向性分析
yf_amazon 数据集：52 万件商品，1100 多个类目，142 万用户，720 万条评论/评分数据
yf_dianping 数据集：24 万家餐馆，54 万用户，440 万条评论/评分数据
dmsc_v2 数据集：28 部电影，超 70 万 用户，超 200 万条 评分/评论 数据
simplifyweibo_4_moods 数据集：36 万多条，带情感标注 新浪微博，包含 4 种情感， 其中喜悦约 20 万条，愤怒、厌恶、低落各约 5 万条
weibo_senti_100k 数据集：10 万多条，带情感标注 新浪微博，正负向评论约各 5 万条
online_shopping_10_cats 数据集：10 个类别，共 6 万多条评论数据，正、负向评论各约 3 万条， 包括书籍、平板、手机、水果、洗发水、热水器、蒙牛、衣服、计算机、酒店
waimai_10k 数据集：某外卖平台收集的用户评价，正向 4000 条，负向 约 8000 条
ChnSentiCorp_htl_all 数据集：7000 多条酒店评论数据，5000 多条正向评论，2000 多条负向评论
多域情感分析数据集（Multidomain sentiment analysis dataset）：一个比较有历史的数据集，里面还有一些来自亚马逊的产品评论。
IMDB： 影评，也是比较有历史的二元情绪分类数据集、数据规模相对较小，里面有 25,000 条电影评论。
斯坦福情感树银行（Stanford Sentiment Treebank）：带有情感注释的标准情绪数据集。
Sentiment140：一个流行的数据集，它使用16万条推文，并把表情等等符号剔除了。
Twitter 美国航空公司情绪数据集 (Twitter US Airline Sentiment)：自 2015 年 2 月以来美国航空公司的 Twitter 数据，分类为正面、负面和中性推文。
中文命名实体识别
dh_msra 数据集：5 万多条中文命名实体识别标注数据（包括地点、机构、人物）