Experimental dataset for cross-lingual text classification based on sentence vector weighting

该实验数据集包含论文中三个实验中使用的数据。数据集 I 整合了 THUCNews、Xinhua.com、国际文传电讯社、法国门户网站 Linternaute 和西班牙报纸 Excélsior，共计 1,610 个文本，是一个四种语言的二元分类数据集。数据集 II 整合了 Xinhua.com、联合通讯社、《世界报》和俄罗斯通讯社 Novosti，共有 2,745 个文本，是一个四种语言的四重分类数据集。数据集III来自多语言公共数据集Reuters RCV1/RCV2。从数据集的中文、德文、法文和丹麦文馆藏中选出仅标有单一类别的文本，即CCAT（企业/工业）、ECAT（经济学）、GCAT（政府/社会）和MCAT（市场）四个类别，共计3,200个文本。