公开数据集

综合数据集

• AMiner：包含涉及社交网络、学术网络、知识图谱、流行病等众多领域的数据集。
• awesome-twitter-data：Twitter 相关的数据集列表。
• OpenDataLab：主要针对大模型的开放数据集，中国大模型语料数据联盟开源数据服务指定平台。目前涉及的领域有NLP、图、CV、、多模态、时间序列、生物医学、物理等，种类比较丰富。

按数据类别、研究方向

图

• Open Academic Graph (OAG)：微软提供的包含微软学术网络和 AMiner 中学术网络的学术网络图。
• SNAP：斯坦福大型网络数据集集合。

自然语言

• the open parallel corpus：一个网络翻译文本集合，包含的语言种类和领域都非常多。
• Statistical Machine Translation：国际机器翻译大赛，每年都会放出很多较为权威的数据集，使用广泛，认可度高。但局限是内容几乎都是新闻领域，语系较多是印欧系语言。

智慧城市

• LargeST：交通预测大规模数据集，github仓库中还实现了一众baseline。无论是作为领域入门还是用于方法评估都很不错。