清华大学 发布 Twitter100k 数据集, 应用在 跨媒体检索、社交媒体分析 领域

清华大学 本次发布的数据集 Twitter100k, Twitter100k是一个大规模的跨媒体检索数据集，由清华大学信息科学与技术国家实验室收集。该数据集包含100,000个从Twitter随机爬取的图像-文本对，覆盖了广泛的领域，如体育、建筑、食物等。数据集的特点是文本采用非正式语言，反映了真实网络环境中的表达方式。Twitter100k数据集旨在解决现有数据集在内容多样性和语言正式性方面的局限，提供一个更真实的跨媒体分析基准。此外，约1/4的图像包含与配对推文高度相关的文本，这为基于OCR的检索方法提供了新的应用场景。

查看Twitter100k

关于 清华大学 , 清华大学是中国顶尖的综合性大学之一，位于北京市，以其卓越的科研和教育水平闻名。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。