Headlines dataset

用于讽刺检测的 Headlines 数据集是从两个新闻网站收集的。 TheOnion 旨在制作时事的讽刺版本。该数据集包括来自新闻简报和照片新闻类别（讽刺）的所有标题以及来自 HuffPost 的真实（和非讽刺）新闻标题。该数据集与现有 Twitter 数据集相比具有以下优势： 由于新闻标题是由专业人员以正式方式编写的，因此没有拼写错误和非正式使用。这减少了稀疏性，也增加了找到预训练嵌入的机会。此外，由于 TheOnion 的唯一目的是发布讽刺新闻，因此与 Twitter 数据集相比，该数据集具有高质量的标签和更少的噪音。与回复其他推文的推文不同，获得的新闻标题是自包含的。

The Headlines Dataset for Sarcasm Detection is collected from two news websites. The Onion aims to produce satirical versions of current events. This dataset includes all headlines from the news briefing and photo news categories (sarcastic) from The Onion, as well as real (non-sarcastic) news headlines from HuffPost. This dataset offers the following advantages over existing Twitter-based datasets: Since the news headlines are written professionally in a formal manner, there are no spelling errors or informal usages. This reduces sparsity and increases the likelihood of finding pre-trained embeddings. Furthermore, as The Onion’s sole purpose is to publish satirical news, this dataset features high-quality labels and less noise compared to Twitter datasets. Unlike tweets that reply to other tweets, the obtained news headlines are self-contained.

搜集汇总

背景与挑战

背景概述

Headlines数据集是一个用于讽刺检测的文本数据集，包含从TheOnion收集的讽刺新闻标题和从HuffPost获取的真实新闻标题。该数据集由专业人员编写，具有正式语言、高质量标签和低噪声特点，适用于自然语言处理任务。数据集由加州大学圣地亚哥分校于2019年发布。