寻求用于作者身份研究的免费公开文本-作者对数据库

当然有不少适合你需求的免费公开数据库，专门收录了文本-作者对，完全不用手动整理书籍记录，非常适合作者身份研究这类工作。下面给你整理几个常用的：

• Project Gutenberg：这个数据库里有大量版权过期的经典文学作品，每篇文本都明确标注了作者信息。它的文本以英文为主，也有少量其他语言的资源，格式多为纯文本，很适合做作者风格、身份归属这类研究。你可以直接批量获取文本和对应的元数据（包括作者），不用手动录入。
• Open Corpus：这个集合里包含了多种公开的文本数据集，其中不少都自带作者标签。比如里面的Blog Authorship Corpus，就有上万篇博客文章和对应的作者信息，覆盖不同年龄段、性别和地域的作者，特别适合研究作者身份识别中的特征差异。
• PubMed Central Open Access Subset：如果你的研究方向偏向学术文本，这个数据库绝对合适。它收录了大量开放获取的学术论文，每篇都有明确的作者列表、所属机构等信息，文本都是专业学术内容，适合做学术作者身份相关的研究。
• WikiText：基于维基百科的数据集，虽然主要是百科条目，但每个条目都有编辑历史和贡献作者的信息。如果你想研究协作式文本的作者特征，或者从大量非虚构文本中提取作者相关数据，这个数据集很有用。

小提示 #

这些数据库大多提供批量下载的选项，有些还支持API调用，能更高效地获取你需要的文本-作者对。另外，注意每个数据库的使用许可，确保符合你的研究用途哦。

内容的提问来源于stack exchange，提问作者Grigoriy Volkov