Avimaster/emotion-custom

该数据集名为emotion-custom，由Argilla创建，用于情感分析和情感分类等NLP任务。数据集包含文本字段、多种类型的问题（如情感选择和多标签情感选择）以及建议，以辅助标注者进行标注。此外，数据集还支持通过Argilla和HuggingFace的`datasets`库加载。

原始信息汇总

数据集卡片 for emotion-custom

数据集描述

数据集概述

该数据集包含：

• 符合 Argilla 数据集格式的配置文件 argilla.yaml。该配置文件将在使用 Argilla 的 FeedbackDataset.from_huggingface 方法时用于配置数据集。
• 与 HuggingFace datasets 兼容的数据集记录。这些记录在使用 FeedbackDataset.from_huggingface 时会自动加载，也可以通过 datasets 库的 load_dataset 方法独立加载。
• 用于构建和整理数据集的标注指南（如果在 Argilla 中定义）。

加载方法

使用 Argilla 加载

安装 Argilla： bash pip install argilla --upgrade

加载数据集： python import argilla as rg

ds = rg.FeedbackDataset.from_huggingface("Avimaster/emotion-custom")

使用 datasets 库加载

安装 datasets： bash pip install datasets --upgrade

加载数据集： python from datasets import load_dataset

ds = load_dataset("Avimaster/emotion-custom")

支持的任务和排行榜

该数据集可以包含多个字段、问题和响应，因此可以用于不同的 NLP 任务，具体取决于配置。数据集结构在数据集结构部分中描述。

该数据集没有关联的排行榜。

语言

[更多信息需要]

数据集结构

数据在 Argilla 中的结构

数据集在 Argilla 中包含以下内容：字段、问题、建议、元数据、向量和指南。

字段

字段是数据集记录本身，目前仅支持文本字段。这些字段将用于提供对问题的响应。

字段名称	标题	类型	必需	Markdown
text	文本	text	True	False

问题

问题是将向标注者提出的问题。它们可以是不同类型，如评分、文本、标签选择、多标签选择或排名。

问题名称	标题	类型	必需	描述	值/标签
sentiment	情感	label_selection	True	N/A	[positive, neutral, negative]
mixed-emotion	混合情感	multi_label_selection	True	N/A	[joy, anger, sadness, fear, surprise, love]

建议

建议是人为或机器生成的推荐，用于在标注过程中协助标注者。这些建议总是与现有问题相关联，并在名称中附加 "-suggestion" 和 "-suggestion-metadata"，分别包含建议的值及其元数据。

元数据

元数据是一个字典，可用于提供有关数据集记录的额外信息。这可以为标注者提供额外的上下文，或提供有关数据集记录本身的额外信息。元数据总是可选的，并且可以与 argilla.yaml 中定义的 metadata_properties 相关联。

指南

指南是可选的，只是一段纯文本，可用于向标注者提供指示。请参阅标注指南部分。

数据实例

在 Argilla 中的数据集实例示例如下：

json { "external_id": null, "fields": { "text": "i didnt feel humiliated" }, "metadata": {}, "responses": [ { "status": "submitted", "user_id": "b168d9ba-1b5f-47ee-a69d-f9ecd66c522e", "values": { "mixed-emotion": { "value": [ "joy", "love" ] }, "sentiment": { "value": "positive" } } } ], "suggestions": [], "vectors": {} }

在 HuggingFace datasets 中的相同记录示例如下：

json { "external_id": null, "metadata": "{}", "mixed-emotion": [ { "status": "submitted", "user_id": "b168d9ba-1b5f-47ee-a69d-f9ecd66c522e", "value": [ "joy", "love" ] } ], "mixed-emotion-suggestion": null, "mixed-emotion-suggestion-metadata": { "agent": null, "score": null, "type": null }, "sentiment": [ { "status": "submitted", "user_id": "b168d9ba-1b5f-47ee-a69d-f9ecd66c522e", "value": "positive" } ], "sentiment-suggestion": null, "sentiment-suggestion-metadata": { "agent": null, "score": null, "type": null }, "text": "i didnt feel humiliated" }

数据字段

数据集字段包括以下内容：

• 字段：这些是数据集记录本身，目前仅支持文本字段。这些字段将用于提供对问题的响应。

  • text 是 text 类型。

• 问题：这些问题将向标注者提出。它们可以是不同类型，如 RatingQuestion、TextQuestion、LabelQuestion、MultiLabelQuestion 和 RankingQuestion。

  • sentiment 是 label_selection 类型，允许值为 [positive, neutral, negative]。
  • mixed-emotion 是 multi_label_selection 类型，允许值为 [joy, anger, sadness, fear, surprise, love]。

• 建议：从 Argilla 1.13.0 开始，建议已包含在内，以向标注者提供建议，以简化或协助标注过程。建议与现有问题相关联，总是可选的，并且不仅包含建议本身，还包含与之相关的元数据（如果适用）。

  • (可选) sentiment-suggestion 是 label_selection 类型，允许值为 [positive, neutral, negative]。
  • (可选) mixed-emotion-suggestion 是 multi_label_selection 类型，允许值为 [joy, anger, sadness, fear, surprise, love]。

此外，还有两个可选字段：

• metadata：这是一个可选字段，可用于提供有关数据集记录的额外信息。这可以为标注者提供额外的上下文，或提供有关数据集记录本身的额外信息。例如，可以使用此字段提供数据集记录的原始来源链接，或提供有关数据集记录本身的额外信息，如作者、日期或来源。元数据总是可选的，并且可以与 argilla.yaml 中定义的 metadata_properties 相关联。
• external_id：这是一个可选字段，可用于为数据集记录提供外部 ID。如果您想将数据集记录与外部资源（如数据库或文件）相关联，这可能很有用。

数据分割

数据集包含一个单一分割，即 train。

数据集创建

整理理由

[更多信息需要]

源数据

初始数据收集和规范化

[更多信息需要]

源语言生产者是谁？

[更多信息需要]

标注

标注指南

Emotion 是一个包含六种基本情绪（愤怒、恐惧、喜悦、爱、悲伤和惊讶）的英语 Twitter 消息数据集。

标注过程

[更多信息需要]

标注者是谁？

[更多信息需要]

个人和敏感信息

[更多信息需要]

使用数据的注意事项

数据集的社会影响

[更多信息需要]

讨论偏见

[更多信息需要]

其他已知限制

[更多信息需要]

附加信息

数据集策展人

[更多信息需要]

许可信息

[更多信息需要]

引用信息

[更多信息需要]

贡献

[更多信息需要]

搜集汇总

数据集介绍

构建方式

该数据集基于Argilla反馈数据集框架构建，旨在服务于情感分析与多标签情绪识别任务。数据源自英文Twitter消息，涵盖六种基本情绪：愤怒、恐惧、喜悦、爱、悲伤与惊讶。构建过程中，首先定义文本字段作为核心记录，随后设计两类标注问题：一是情感倾向的标签选择（积极、中立、消极），二是混合情绪的多元标签选择（允许同时标注多种情绪）。数据集支持人工或机器生成的建议项以辅助标注，并可选配元数据与外部ID以增强上下文信息。最终数据以HuggingFace datasets格式存储，便于直接加载使用。

特点

本数据集的核心特色在于其双层标注架构：既包含粗粒度的情感极性判断（三分类），又允许细粒度的复合情绪标注（六类多标签），能够捕捉人类情感表达的复杂性与混合性。每条记录均保留了标注者的响应状态与用户标识，支持审计与一致性分析。数据集通过Argilla平台实现了完整的反馈循环，标注建议机制可集成预训练模型输出，提升标注效率。此外，元数据字段提供了灵活的扩展能力，便于融入外部知识或来源追踪。整体结构兼顾了标注的规范性与灵活性，适用于情感分析、多标签分类及人机协作标注场景。

使用方法

数据集可通过两种主流方式加载。若使用Argilla框架，仅需安装argilla库后调用FeedbackDataset.from_huggingface('Avimaster/emotion-custom')即可直接获取标注工作区，支持可视化标注与迭代优化。若偏好轻量化使用，可通过HuggingFace datasets库执行load_dataset('Avimaster/emotion-custom')加载原始数据，每条记录包含文本字段、标注响应列表及可选建议项。用户可依据sentiment字段进行三分类情感分析，或利用mixed-emotion字段开展多标签情绪识别。建议结合suggestion字段作为预标注基线，适用于模型训练前的快速标注或弱监督学习实验。

背景与挑战

背景概述

情感识别是自然语言处理领域的核心任务之一，旨在从文本中自动捕捉人类复杂的情感状态。Avimaster/emotion-custom数据集由Argilla团队基于其反馈数据集框架构建，发布时间不详，但其设计紧密围绕细粒度情感分析这一前沿课题。该数据集聚焦于英文Twitter消息，涵盖六种基本情感：愤怒、恐惧、喜悦、爱、悲伤与惊讶，并引入多标签标注机制以应对情感共现现象。通过融合人工标注与Argilla平台的结构化流程，该数据集为情感分类与多标签情感识别提供了高质量的训练与评估资源，尤其适用于强化学习从人类反馈（RLHF）场景，推动了情感理解模型在社交媒体分析、人机交互等领域的应用深度。

当前挑战

该数据集所解决的领域挑战在于，传统情感分类多局限于粗粒度正负面判断，难以捕捉喜悦与爱、悲伤与恐惧等混合情感。构建过程中，挑战显著：首先，Twitter文本的非正式语言、拼写错误与语境缺失增加了标注难度；其次，多标签标注要求标注者同时识别多种情感，主观性强且一致性难以保证；再者，Argilla平台的数据结构复杂，需协调字段、问题与建议的映射，确保数据集兼容性与可复现性；最后，数据集规模较小（n<1K），限制了模型的泛化能力与鲁棒性验证，亟需扩展与多样化以应对真实场景的复杂性。

常用场景

经典使用场景

情感与情绪分析是自然语言处理领域最为经典且历久弥新的研究方向之一。Avimaster/emotion-custom数据集专为细粒度情感与复合情绪识别而设计，其核心使用场景在于训练和评估能够同时判别文本整体情感极性（正面、中性、负面）与多维情绪标签（如喜悦、愤怒、悲伤、恐惧、惊讶、爱）的模型。该数据集以其独到的多标签标注体系，为研究者提供了探索人类情感复杂交织特性的宝贵资源，尤其适用于需要捕捉文本中并存情绪的深度语义理解任务。

实际应用

在实际应用层面，该数据集赋能了一系列需要深度理解用户情绪状态的智能系统。例如，在社交媒体舆情监控中，模型可精准识别用户评论中混杂的“惊喜”与“愤怒”，从而更真实地反映公众情绪；在智能客服领域，系统能感知用户“悲伤”中夹杂的“爱”等复杂情感，从而做出更具同理心的回应。此外，该数据集还可用于心理健康辅助分析，通过捕捉文本中的微妙情绪变化，为早期情绪障碍筛查提供算法支持，显著提升人机交互的细腻度与人性化水平。

衍生相关工作

围绕该数据集及其所代表的复合情绪识别理念，学界已衍生出一系列具有里程碑意义的研究工作。大量工作聚焦于多标签情绪分类模型的架构创新，如引入图神经网络建模情绪间的关联依赖，或利用对比学习增强对细微情感差异的判别力。同时，该数据集也催生了关于情感标注一致性与标注者偏差的系统性分析，推动了更鲁棒的情感数据采集与质量评估方法的发展。这些衍生研究不仅深化了情感计算的理论体系，也为构建更具共情能力的对话系统铺平了道路。