我听说Google举办（或将举办）了一个网页分类比赛，并且他们提供了一个大型（超过17万份文档）的网站数据集，这些网站被分类成多个类别（体育、计算机、科学等）。我尝试在他们2009年至2011年的编程之夏网站上搜索，但没有找到任何信息。 有人知道我可以在哪里获得该数据集吗？

回答：

我想我找到了（虽然我不确定数据是否由Google提供）：ECML/PKDD 2010 Discovery Challenge 数据集包含22个训练标签（即关于内容的标签）、URL和超链接、基于内容和基于链接的网络垃圾信息特征、词频和自然语言处理特征。