AiresPucrs/google-play-apps-review-pt

---
dataset_info:
features:
- name: review
dtype: string
- name: sentiment
dtype: int64
splits:
- name: train
num_bytes: 7361157
num_examples: 20000
download_size: 4211423
dataset_size: 7361157
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
language:
- pt
pretty_name: Google Play Apps Review PT
size_categories:
- 10K<n<100K
license: apache-2.0
task_categories:
- text-classification
---
# Google Play Apps Review PT (Teeny-Tiny Castle)

This dataset is part of a tutorial tied to the [Teeny-Tiny Castle](https://github.com/Nkluge-correa/TeenyTinyCastle), an open-source repository containing educational tools for AI Ethics and Safety research.

## How to Use

```python
from datasets import load_dataset

dataset = load_dataset("AiresPucrs/google-play-apps-review-pt", split = 'train')
```

数据集信息:
特征:
- 名称: review（评论）
数据类型: 字符串
- 名称: sentiment（情感标签）
数据类型: 64位整数
数据划分:
- 名称: train（训练集）
字节数: 7361157
样本数: 20000
下载体积: 4211423
数据集总字节数: 7361157
配置项:
- 配置名称: default（默认配置）
数据文件:
- 划分: train（训练集）
路径: data/train-*
语言:
- 葡萄牙语（pt）
展示名称: Google Play应用评论葡萄牙语版（Teeny-Tiny Castle）
规模分类:
- 10000 < 样本数 < 100000
许可证: apache-2.0
任务类别:
- 文本分类

# Google Play应用评论葡萄牙语版（Teeny-Tiny Castle）

本数据集隶属于与[Teeny-Tiny Castle](https://github.com/Nkluge-correa/TeenyTinyCastle)相关的教程项目，该开源仓库收录了用于人工智能伦理与安全研究的教学工具。

## 使用方法
python
from datasets import load_dataset

dataset = load_dataset("AiresPucrs/google-play-apps-review-pt", split = 'train')

原始信息汇总

Google-play-apps-review-pt 数据集概述

数据集详情

• 数据集名称: google-play-apps-review-pt
• 语言: 葡萄牙语
• 总大小: 20,000 条数据

数据内容

数据集包含一个数据框，具有以下列：

• review: 用户以自然语言对应用的评论。
• sentiment: 情感标签，"0" 表示负面，"1" 表示正面。

数据示例

json { "sentiment": 0, "review": "falta melhorar e muito o criterio de escolha dos restaurantes pois por exemplo colocam a opcao de entrega gratis porem se voce nao estiver proximo eles simplesmente cancelam seu pedido outra situacao e a questao dos cupons de desconto pois toda vez que tento usar nenhum restaurante aceita" } { "sentiment": 1, "review": "o aplicativo e sensacional para o melhor desempenho do dispositivo e vantagem a boa saude de visao para os utilizadores eu sugere que o facebook introduzisse o tema escuro no aplicativo tal como foi feito no messenger e noutros aplicativos sociais e tambem salientar que a fixassem um botao para baixar status dos contactos e os videos sem precisar de instalar ainda um app de download particular de modo a libertar espaco do dispositivo para melhor desempenho do sistema obrigado pela atencao" }

搜集汇总

数据集介绍

构建方式

在移动应用生态日益繁荣的背景下，用户评论成为理解应用质量与用户偏好的重要数据源。该数据集聚焦于葡萄牙语环境，从Google Play商店中采集了20,000条应用评论，每条评论均标注了情感极性标签（以整数表示），从而构建了一个面向文本分类任务的结构化数据集。数据以单一训练集形式组织，采用Parquet格式存储，便于高效加载与处理。

特点

该数据集的核心特点在于其语言特异性与规模适配性。作为葡萄牙语情感分析领域的中等规模资源（10K至100K样本），它填补了小语种应用评论数据的空白。数据集的标签体系简洁明确，仅包含评论文本与情感类别两列，降低了使用门槛。同时，其开源许可（Apache-2.0）与教程关联性（Teeny-Tiny Castle项目）使其兼具教育工具属性，适合伦理与安全研究场景。

使用方法

使用该数据集时，可通过Hugging Face的`datasets`库直接加载：调用`load_dataset("AiresPucrs/google-play-apps-review-pt", split='train')`即可获取训练数据。返回的Dataset对象包含'review'（字符串）和'sentiment'（整数）两个字段，可直接用于文本分类模型的训练与评估。建议结合葡萄牙语专用的分词器或预训练模型（如BERTimbau）进行下游任务适配。

背景与挑战

背景概述

在自然语言处理与情感分析领域，面向葡萄牙语的应用商店评论数据集相对稀缺，这限制了相关研究在非英语环境下的深入发展。AiresPucrs/google-play-apps-review-pt数据集由巴西PUCRS大学的研究团队创建，作为Teeny-Tiny Castle教育项目的一部分，旨在为人工智能伦理与安全研究提供实用的教学工具。该数据集收集了20000条来自Google Play商店的葡萄牙语应用评论，每条评论都标注了情感极性（0或1），主要服务于文本分类任务。自发布以来，该数据集填补了葡萄牙语情感分析资源的空白，为低资源语言的研究者提供了基准测试和模型训练的宝贵素材，尤其在跨语言迁移学习与多语言模型评估中具有重要参考价值。

当前挑战

该数据集面临的挑战主要体现在两个方面。在领域问题层面，情感分析任务本身受限于评论长度的不确定性、网络用语的多样性以及情感表达的隐含性，葡萄牙语中特有的俚语和缩写进一步增加了模型准确分类的难度。在构建过程中，数据采集仅覆盖了Google Play商店的部分应用，可能存在类别分布不均的问题；同时，情感标注依赖人工判断，标注者主观差异可能导致标签一致性不足，影响模型的泛化能力。此外，数据集规模较小（2万条），难以支撑深度神经网络的大规模训练需求，限制了其在复杂场景下的应用潜力。

常用场景

经典使用场景

该数据集名为Google Play Apps Review PT，聚焦于葡萄牙语语境下的Google Play商店应用评论，其经典使用场景在于作为文本分类任务的基准数据集。研究者通常利用其内含的评论文本与情感标签（sentiment）进行模型训练与评估，以探索多语言情感分析技术。在自然语言处理领域，该数据集为低资源语言的情感分类研究提供了宝贵资源，尤其适合验证跨语言迁移学习的有效性。其20,000条训练样本的规模适中，既避免了小样本的过拟合风险，又便于快速迭代实验，成为葡萄牙语情感分析研究中的入门级标准测试集。

衍生相关工作

该数据集衍生了一系列相关经典工作，主要集中在多语言情感分析方法的创新与评估。例如，研究者基于该数据集结合其他语言的情感语料，提出了跨语言情感知识蒸馏框架，验证了模型在零样本场景下的迁移能力。此外，该数据还被用于对比不同分词策略（如子词与字符级模型）对葡萄牙语情感分类性能的影响，促进了针对罗曼语族的自然语言处理工具链优化。部分工作还将其作为对抗性攻击的测试床，探索情感分类模型在葡萄牙语评论中的鲁棒性，推动了可信AI在低资源语言场景下的发展。

数据集最近研究

最新研究方向

该数据集聚焦于葡萄牙语Google Play应用评论的情感分类任务，为自然语言处理在低资源语言领域的前沿探索提供了重要支撑。当前研究热点围绕多语言情感分析的跨语种迁移能力提升，以及基于小样本学习的轻量化模型构建。结合AI伦理与安全议题，该数据集被用于训练可解释性强的分类器，以应对在线评论中隐含的偏见与毒性内容。其开源特性与Apache-2.0许可协议，有力推动了巴西及其他葡语国家在用户反馈挖掘、产品改进和数字市场治理方面的研究进展，成为连接学术创新与工业应用的关键纽带。