文脈： 「ブログ（「ウェブログ」という表現の略称）は、ウェブ上に公開される議論や情報提供用のウェブサイトで、個別の、しばしば非公式な日記風のテキストエントリ（「投稿」）から構成されています。投稿は通常、逆時系列で表示されるため、最新の投稿が最初に、ウェブページの上部に表示されます。2009年まで、ブログは通常一人の個人の作品であり、時には小さなグループの作品であり、多くの場合単一の主題やトピックを扱っていました。」 -- ウィキペディア記事「[ブログ](https://en.wikipedia.org/wiki/Blog)」 このデータセットには、2004年またはそれ以前に書かれたブログのテキストが含まれており、各ブログは一人のユーザーの作品です。 内容： ブログ執筆者コーパスは、2004年8月にblogger.comから収集された19,320人のブロガーの投稿を集めたものです。このコーパスには合計681,288件の投稿と1億4000万語以上が含まれており、一人当たり約35件の投稿と7250語に相当します。 各ブログは個別のファイルとして提示され、その名前にはブロガーのID番号と、ブロガー自身が提供した性別、年齢、業界、星座が示されています。（すべてのブログに性別と年齢がラベル付けされていますが、多くのブログでは業界や星座が不明とマークされています。） コーパスに含まれるすべてのブロガーは、以下の3つの年齢グループのいずれかに分類されます。 * 8240件の「10代」ブログ（13 - 17歳） * 8086件の「20代」ブログ（23 - 27歳） * 2994件の「30代」ブログ（33 - 47歳） 各年齢グループには、男性と女性のブロガーが同数含まれています。 コーパス内の各ブログには、一般的な英単語が少なくとも200回出現しています。すべての書式は削除されていますが、2つの例外があります。一人のブロガーの個々の投稿は、次の投稿の日付で区切られており、投稿内のリンクは「urllink」というラベルで示されています。 謝辞 このコーパスは、非商業的な研究目的で自由に使用できます。得られた成果を公表する場合は、以下を引用してください。 J. Schler, M. Koppel, S. ArgamonおよびJ. Pennebaker（2006年）。年齢と性別がブログ執筆に与える影響。2006年AAAI春季シンポジウム「ウェブログ分析のための計算アプローチ」の会議録。URL: http://www.cs.biu.ac.il/~schlerj/schler_springsymp06.pdf 着想： * このデータセットには、執筆者の年齢、性別、星座を含む人口統計情報が含まれています。ブログ投稿から誰かの星座を推測する分類器を構築できますか？ * 人口統計グループ間の差異と、異なるトピックのブログ間の差異のどちらが大きいですか？ あなたが気に入るかもしれないもの： * [ニュースとブログデータクロール：16万件以上のニュースとブログ記事の内容セクション](https://www.kaggle.com/patjob/articlescrape) * [20ニュースグループ：20の異なるニュースグループからの約18,000件のニュースグループ文書のコレクション](https://www.kaggle.com/crawford/20-newsgroups)