CreativeLang/ColBERT_Humor_Detection

---
license: cc-by-2.0
---

# ColBERT_Humor

## Dataset Description

- **Paper:** [Colbert: Using bert sentence embedding for humor detection](https://arxiv.org/abs/2004.12765)

## Dataset Summary

ColBERT Humor contains 200,000 labeled short texts, equally distributed between humorous and non-humorous content. The dataset was created to overcome the limitations of prior humor detection datasets, which were characterized by inconsistencies in text length, word count, and formality, making them easy to predict with simple models without truly understanding the nuances of humor. The two sources for this dataset are the News Category dataset, featuring 200k news headlines from the Huffington Post (2012-2018), and a collection of 231,657 Reddit jokes. The texts have been rigorously preprocessed to ensure syntactic similarity, requiring models to delve into the linguistic intricacies to distinguish humor, effectively providing a more complex and substantial platform for humor detection research.

For the details of this dataset, we refer you to the original [paper](https://arxiv.org/abs/2004.12765).

Metadata in Creative Language Toolkit ([CLTK](https://github.com/liyucheng09/cltk))
- CL Type: Humor
- Task Type: detection
- Size: 200k
- Created time: 2020

### Citation Information

If you find this dataset helpful, please cite:

```
@article{annamoradnejad2020colbert,
title={Colbert: Using bert sentence embedding for humor detection},
author={Annamoradnejad, Issa and Zoghi, Gohar},
journal={arXiv preprint arXiv:2004.12765},
year={2020}
}
```

### Contributions

If you have any queries, please open an issue or direct your queries to [mail](mailto:[e-mail]).

--- 许可证：CC-BY-2.0 ---

# ColBERT_Humor

## 数据集说明

- **论文：** [《ColBERT：使用BERT（Bidirectional Encoder Representations from Transformers）句子嵌入进行幽默检测》](https://arxiv.org/abs/2004.12765)

## 数据集概览

ColBERT_Humor 数据集包含20万条带标注的短文本，幽默与非幽默内容的占比均等。本数据集的构建旨在克服现有幽默检测数据集的局限：此前的数据集普遍存在文本长度、词数与正式程度不均的问题，使得仅需简单模型即可完成预测，而无需真正理解幽默的语言细微内涵。本数据集的两大来源分别为：新闻类别数据集（News Category Dataset），包含《赫芬顿邮报》2012年至2018年间的20万条新闻标题；以及231657条Reddit笑话合集。所有文本均经过严格预处理，以确保句法层面的相似性，这要求模型深入挖掘语言的复杂细节以区分幽默内容，从而为幽默检测研究提供了一个更具挑战性与实用性的平台。

关于本数据集的详细信息，请参阅原[论文](https://arxiv.org/abs/2004.12765)。

创意语言工具包（Creative Language Toolkit, CLTK）元数据：
- 类别（CL Type）：幽默
- 任务类型：检测
- 数据规模：20万条
- 创建时间：2020年

### 引用信息

若您认为本数据集对您的研究有所帮助，请引用如下文献：

@article{annamoradnejad2020colbert,
title={Colbert: Using bert sentence embedding for humor detection},
author={Annamoradnejad, Issa and Zoghi, Gohar},
journal={arXiv preprint arXiv:2004.12765},
year={2020}
}

### 贡献与反馈

若您有任何疑问，请提交Issue或发送邮件至[[e-mail]](mailto:[e-mail]).

原始信息汇总

ColBERT_Humor 数据集概述

数据集描述

• 数据集名称： ColBERT_Humor
• 数据集来源： 由News Category数据集（200k新闻标题）和Reddit笑话集（231,657条）组成。
• 数据集规模： 包含200,000条标记的短文本，均分为幽默和非幽默内容。
• 数据集目的： 旨在解决以往幽默检测数据集在文本长度、字数和正式性方面的局限性，提供一个更复杂和实质性的幽默检测研究平台。
• 数据预处理： 经过严格预处理，确保语法相似性，要求模型深入理解语言细微差别以区分幽默。
• 创建时间： 2020年

引用信息

• 论文： Colbert: Using bert sentence embedding for humor detection
• 作者： Annamoradnejad, Issa and Zoghi, Gohar
• 出版年份： 2020

数据集元数据

• CL类型： Humor
• 任务类型： detection
• 数据集大小： 200k

贡献与查询

• 联系方式： [e-mail]