Newspaper Text Summarization CNN DailyMail

Conjunto de datos que contiene más de 300 000 artículos de noticias en inglés de CNN y Daily Mail, con sus resúmenes manuscritos escritos por periodistas. Es compatible con el resumen extractivo y abstracto.

Obtén el dataset

Tamaño

Aproximadamente 312 000 artículos en inglés, formato JSON/texto, incluido el artículo completo y los puntos destacados

Licencia

CC0: Dominio público

Descripción

‍

El conjunto de datos Newspaper Text Summarization CNN DailyMail incluye más de 300 000 artículos de noticias en inglés de la CNN y el Daily Mail. Cada artículo va acompañado de un resumen («puntos destacados») escrito por el periodista, lo que permite aprender a utilizar modelos de resumen automáticos. El conjunto de datos está estructurado en tres partes: entrenamiento, validación y prueba, para facilitar la evaluación.

‍

¿Para qué sirve este conjunto de datos?

‍

Entrene modelos de resumen automáticos, extractivos o abstractivos
Evaluar la calidad de los resúmenes generados por los sistemas de PNL
Estudiar la comprensión automática de textos largos

‍

¿Se puede enriquecer o mejorar?

‍

Sí, añadiendo anotaciones adicionales, por ejemplo metadatos sobre el estilo periodístico, o creando versiones multilingües. Las limpiezas pueden mejorar la calidad del texto de entrada y las técnicas de aumento de datos pueden enriquecer el corpus.

‍

🔎 En resumen

Criterio	Evaluación
🧩 Facilidad de uso	⭐⭐⭐⭐⭐ (Muy accesible, formato claro)
🧼 Necesidad de limpieza	⭐⭐⭐⭐✩ (Bajo – datos bien formateados)
🏷️ Riqueza de anotaciones	⭐⭐⭐⭐✩ (Bueno – artículos completos y resúmenes)
📜 Licencia comercial	✅ Libre (CC0)
👨‍💻 Ideal para principiantes	👍 Sí, perfecto para empezar
🔁 Reutilizable para fine-tuning	✅ Muy adecuado para resumen automático
🌍 Diversidad cultural	⚠️ Inglés US & UK, perspectivas occidentales