20のニュースグループ: 20の異なるニュースグループの約2万の文書コレクション。

ロイター・ニュース・データセット: 1987年以降のロイターのテキストのデータセット。

カリフォルニア大学アーバイン校のスパムベース: スパムのフィルタリングに役立つスパムメールの大型データセット。

Yelpレビュー: Yelpがリリースしたオープンなデータセット。500万を超えるレビューから成る。

WordNet:「synset」と呼ばれる英語の同義語グループの大型データセット。意味の異なる語句は別の「synset」に分類される。

マルチドメイン感情分析データセット: アマゾンの商品レビューに的を絞ったデータセット。

映画レビュー: 感情の二項分類のための、やや古い比較的小さなデータセットで、25,000の映画レビューから成る。

スタンフォード・センチメント・ツリーバンク: 感情のアノテーションを付したスタンダードな感情分析に使えるデータセット。

センチメント140: 顔文字をあらかじめ取り除いた16万のツイートを使用した、人気の高いデータセット。

ツイッター米航空会社センチメント: ポジティブ、ネガティブ、ニュートラルで分類した、2015年2月以降の米国航空会社に関するツイッターのデータ。

2000HUB5英語評価記録: 40本の電話の会話から成る英語の発話データ。

LibriSpeech: オーディオブックのデータセット。複数の朗読者による500時間に及ぶオーディオブックから成る。オーディオブックの章で整理されている。

声による性別認識: 声や発話の音響特性に基づいて男性の声か女性の声かを識別するシステムの開発を支援するために構築されたデータベース。男性および女性の話者による音声録音が3,000件以上含まれる。

発話された数字の無料データセット: 英語における1,500の発話された数字の録音コレクション。

TIMIT: 630人のアメリカ英語話者の録音コレクション。

エンロン・データセット: エンロン社管理職の電子メールのデータ。

アマゾン・レビュー: 18年にわたるアマゾンのおよそ3,500万のレビューから成る。データには、製品及びユーザー情報、評価、プレーンテキストのレビューが含まれる。

GoogleブックスNgrams: Googleブックスの単語のコレクション。

Bloggerコーパス: blogger.comから収集した681,288本のブログ記事のコレクション。各ブログには最低でも200の一般的英単語の使用が含まれている。

ウィキペディア・リンク・データ: ウィキペディアのテキスト全文。400万を超える記事の約19億語から成るデータセット。単語やフレーズ、段落の一部分で検索できる。

グーテンベルク電子書籍リスト: プロジェクト・グーテンベルクの電子書籍のアノテーション付きリスト。

カナダ議会議事録: 第36回カナダ議会議事録の、2カ国語の130万のテキスト。

Jeopardy: クイズ番組『Jeopardy』で使われた20万を超える質問集。

英語のSMSスパム・コレクション: 英語の5,574のSMSスパムメッセージから成るデータセット。