Несколько датасетов для машинного обучения, которые могут быть полезны для обработки русского языка:

• RuAdapt: A Parallel Russian-Simple Russian Dataset. 1 Параллельный корпус, содержащий тексты на русском языке и их упрощённые версии, используемый в задачах автоматического упрощения текста. 1
• Gazeta Summaries. 1 Коллекция статей и их кратких аннотаций на русском языке, полезная для задач суммаризации. 1
• Russian Corpus of Biographical Texts. 1 Корпус биографических текстов из Википедии для задачи автоматического поиска фрагментов в тексте. 1
• Movie Plots from Wikipedia in Russian. 1 Датасет с краткими пересказами сюжетов фильмов, мультфильмов, аниме, сериалов на русском языке. 1
• KartaSlovSent. 1 Датасет слов и выражений русского языка с разметкой тональности («положительное», «отрицательное», «нейтральное»). 1
• Open Semantics. 1 Корпус русскоязычных слов и выражений с семантической разметкой. 1
• RULEC-GEC. 13 Набор предложений, написанных людьми, изучающими русский язык как иностранный, аннотированный на предмет грамматических ошибок. 1

Выбор датасета зависит от конкретных задач и предпочтений пользователя.