Con le moderne applicazioni e tecnologie, il volume dei dati generati è cresciuto enormemente. Oggi la tecnologia sta radicalmente trasformando le nostre abitudini: viviamo in un mondo sempre più connesso e digitalizzato in cui, ad esempio, utilizzando gli smartphone, i pc, i social network, la tessera dei trasporti pubblici, e ogni altra nostra singola attività crea una grande quantità di dati. Questo trend vale anche per collezioni di dati testuali, che oggigiorno sono prodotti ad un ritmo sempre maggiore, ad esempio per mezzo di social network, librerie e enciclopedie digitali. I dati raccolti generano dataset molto grandi, i cui domini e distribuzioni sono per lo più ignoti e variano considerevolmente tra di loro.