【内含安装包】1 万+ 条已标注中文短信:垃圾短信分类数据集如何快速跑通
【内含安装包】1 万+ 条已标注中文短信:垃圾短信分类数据集如何快速跑通
刚拿到一份中文短信语料,却要为"哪些是骚扰信息"逐条手动标注?这个开源项目 垃圾短信数据集中文 直接把活儿干完了——1 万多条中文短信全部带好 0/1 标签,下载解压就能用来训练你的第一个文本分类模型。
项目速览:30 秒看懂这份数据
- 规模:1 万多条中文短信,每条均已人工标注
- 标签:二分类——
1= 垃圾短信,0= 正常短信 - 形态:单一压缩包
垃圾短信数据集(中文).rar,约 447 KB,一个文件装下全部语料 - 成本:零标注、零清洗,适合直接作为基线数据使用
规格与字段说明:标记规则对照表
| 项目 | 说明 |
|---|---|
| 数据文件 | 垃圾短信数据集(中文).rar |
| 数据量 | 1 万多条短信 |
| 标签取值 | 1(垃圾短信)/ 0(正常短信) |
| 文件形式 | RAR 压缩包,约 447 KB |
| 语言 | 中文 |
| 适用任务 | 文本二分类(正常 vs 垃圾) |
标签体系非常简单:你不需要解析复杂字段,只要认准 0/1 两个取值,就能直接喂给任何二分类算法。
能落地哪些任务?
- 垃圾短信识别模型训练与测试:最典型的用法——用它做训练集和验证集,对比不同模型(逻辑回归、朴素贝叶斯、LSTM、BERT 等)的召回表现
- 中文文本分类研究:作为小型、低门槛的分类基准,研究特征工程与中文分词方案
- NLP 教学与课程作业:数据量适中、标签干净,很适合演示"从原始文本到分类器"的完整流程 🎓
从 0 到 1 上手:四步拿到能跑的数据
- 克隆仓库
git clone https://gitcode.com/open-source-toolkit/8a104 - 解压文件
进入目录后用 RAR 解压器(如 7-Zip、WinRAR 或命令行
unrar x)解压垃圾短信数据集(中文).rar - 查看数据
打开解压后的内容,确认每条短信对应的标签(
1或0),并统计一下正负样本占比,心里有数再动手 - 跑通基线 将文本列作为输入、标签列作为目标列载入(如用 pandas),训练一个最简单的分类器,先让指标"动"起来,再逐步迭代
使用红线:商用前必看的合规提醒
这份数据是"研究友好"的,不是"商用友好"的。
- 仅限学习与研究:项目方明确禁止商业用途,商用前请先取得数据授权
- 警惕敏感信息:短信内容可能包含个人隐私数据,处理、展示或二次分享时务必先做脱敏
- 遵循许可证条款:CC BY-NC-SA 4.0 要求署名、非商业用途、相同方式共享,发布衍生物时别漏掉出处声明
许可与社区入口
- 许可证:数据遵循 CC BY-NC-SA 4.0(署名-非商业性使用-相同方式共享),仓库内另附有 LICENSE 文件可查阅
- 参与方式:如果你有补充数据、发现标注问题或有改进建议,欢迎通过项目的 Issue 或 Pull Request 反馈
拿到数据只是开始,跑通第一个基线、观察正负样本的分布差异,才是这份语料真正发挥价值的地方。
登录后查看全文