asahi417/multi_domain_document_classification

该数据集是一个多领域文档分类数据集，涵盖了生物医学、计算机科学、客户评论和社交媒体四个领域。具体数据集包括：生物医学领域的`chemprot`和`rct-sample`，计算机科学领域的`citation_intent`和`sciie`，客户评论领域的`amcd`和`yelp_review`，以及社交媒体领域的`tweet_eval_irony`、`tweet_eval_hate`和`tweet_eval_emotion`。其中，`yelp_review`数据集被随机下采样为2000/2000/8000的测试/验证/训练集。

原始信息汇总

数据集概述

数据集分类

• 生物医学：chemprot, rct-sample
• 计算机科学：citation_intent, sciie
• 客户评论：amcd, yelp_review
• 社交媒体：tweet_eval_irony, tweet_eval_hate, tweet_eval_emotion

数据集详情

数据集名称	验证集实例数	测试集实例数	训练集实例数
chemprot	2427	3469	4169
citation_intent	114	139	1688
hyperpartisan_news	64	65	516
rct_sample	30212	30135	500
sciie	455	974	3219
amcd	666	1334	8000
yelp_review	2000	2000	6000
tweet_eval_irony	955	784	2862
tweet_eval_hate	1000	2970	9000
tweet_eval_emotion	374	1421	3257

特别说明

• yelp_review 数据集经过随机下采样，使得测试集、验证集和训练集的实例数分别为2000/2000/8000。

搜集汇总

背景与挑战

背景概述

该数据集是一个多领域文档分类数据集，覆盖生物医学、计算机科学、客户评论和社交媒体等多个领域，包含多个子数据集如chemprot和tweet_eval_emotion。数据集规模为22,623行，格式为JSON，仅提供测试集用于文本分类任务，标签范围从0到3，适用于评估分类模型在多领域文本上的性能。