В рубрике интересных наборов данных, коллекции данных создаваемые из веб-индексов Dresden Web Table Corpus (DWTC) [1] набор данных состоящий из 125 миллионов таблиц извлеченных из архива веб-индекса Common Crawl․ Последнее обновление было в 2015 году основано на базе в 266ТБ из 3.6 миллиардов веб страниц. Web Data Commons [2] - это коллекция из многих наборов данных созданных на основе Common Crawl и развиваемая командой университета Маннхейма. В проекте множество наборов данных созданных через извлечение объектов перечисленных в Schema.org из тела веб-страниц и иной мета информации. Например, там же свежий набор данных SOTAB с аннотированными таблицами привязанными к понятиям в Schema.org [3] ACL Anthology [4] каталог научных публикаций и наборов данных. Включает наборы данных с полной антологией публикаций и цитированием, а также включает множество работ созданных на основе наборов данных таких как Common Crawl, например Learning Word Vectors for 157 Languages [5] Ссылки: [1] wwwdb.inf.tu-dresden.de/researc…e-corpus [2] http://webdatacommons.org/ [3] http://webdatacommons.org/structureddata/sotab/ [4] https://aclanthology.org/ [5] https://aclanthology.org/L18-1550/ #opendata #datasets #digitalhumanities