community-datasets/oclar

OCLAR数据集由Marwan等人（2019年）收集，包含了阿拉伯语客户对广泛领域的评论，包括餐厅、酒店、医院、本地商店等。该语料库最终包含3916条5星评级的评论。为了研究目的，正面类别包括5至3星的3465条评论，负面类别包括1至2星的451条文本。数据集主要用于阿拉伯语情感分类，特别是针对黎巴嫩的服务评论。数据集的文本主要是黎巴嫩阿拉伯语。

The OCLAR dataset, collected by Marwan et al. (2019), includes Arabic customer reviews across a wide range of domains, including restaurants, hotels, hospitals, local shops, etc. The corpus finally contains 3916 reviews on a 5-star rating scale. For research purposes, the positive class includes 3465 reviews with ratings from 5 to 3, and the negative class includes 451 texts with ratings of 1 or 2. The dataset is primarily used for Arabic sentiment classification, particularly for service reviews in Lebanon. The text in the dataset is mainly in Lebanese Arabic.

原始信息汇总

数据集概述

数据集描述

数据集摘要

OCLAR数据集包含3916条阿拉伯语客户评论，来自Zomato网站，涵盖餐厅、酒店、医院、本地商店等多个领域。评论采用5级评分系统，其中3465条评论被视为正面（评分3至5），451条评论被视为负面（评分1或2）。

支持的任务和排行榜

OCLAR数据集适用于阿拉伯语情感分类任务，特别是针对服务评论，如酒店、餐厅、商店等。

语言

数据集中的文本主要为阿拉伯语，特别是黎巴嫩阿拉伯语（ar-LB）。

数据集结构

数据实例

每个数据点包含以下字段：

• pagename：被评论的服务或地点的名称
• review：用户/客户的评论
• rating：评论者给出的星级评分，范围从1到5

数据字段

• pagename：字符串，被评论的服务或地点的名称
• review：字符串，用户/客户的评论
• rating：整数，评论者给出的星级评分，范围从1到5

数据分割

数据集包含一个CSV文件，总计3916条评论：

• 3465条被视为正面评论（评分3至5）
• 451条被视为负面评论（评分1或2）

数据集创建

策划理由

该数据集旨在用于黎巴嫩服务评论的阿拉伯语情感分类。评论涉及公共服务，包括酒店、餐厅、商店等。

源数据

初始数据收集和规范化

数据从Google评论和Zomato网站收集。

源语言生产者

源语言生产者主要是发布评论的阿拉伯语黎巴嫩人。

注释

注释过程

数据集不包含任何额外注释。

注释者

[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

研究者针对阿拉伯语在黎巴嫩情境下的情感分析任务，从Google和Zomato收集了3916条服务评论。实验显示以下主要发现：

1. 分类器在预测正面评论时表现自信，
2. 而在预测负面情感评论时存在偏差，
3. 数据集中负面评论的低比例导致逻辑回归的不确定性。

偏见讨论

[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

该数据集由以下人员策展：

• Marwan Al Omari, Lebanese University, Beirut, Lebanon
• Moustafa Al-Hajj, Lebanese University, Beirut, Lebanon
• Nacereddine Hammami, Jouf University, Aljouf, KSA
• Amani Sabra, Lebanese University, Beirut, Lebanon

许可信息

[更多信息需要]

引用信息

@InProceedings{AlOmari2019oclar, title = {Sentiment Classifier: Logistic Regression for Arabic Services Reviews in Lebanon}, authors={Al Omari, M., Al-Hajj, M., Hammami, N., & Sabra, A.}, year={2019} }

贡献

感谢@alaameloh添加此数据集。

搜集汇总

数据集介绍

构建方式

在阿拉伯语情感分析领域，针对黎巴嫩地区服务评论的语料资源相对匮乏。OCLAR数据集由此应运而生，由Marwan Al Omari等研究者于2019年创建。该数据集通过众包方式收集自Google Reviews和Zomato网站，涵盖餐厅、酒店、医院、本地商店等多领域阿拉伯语消费者评论。原始数据经过筛选与规范化处理，最终形成包含3916条评论的语料库，每条评论均附有1至5星的评分标签。研究者将评分3至5的3465条评论归为正向类别，评分1至2的451条评论归为负向类别，以服务于二分类情感分析任务。

特点

OCLAR数据集具有鲜明的领域针对性与地域特色，专注于黎巴嫩阿拉伯语的服务评论情感分析。其核心特点在于采用5级评分制，并依据阈值3将评论二分为正向与负向，便于开展有监督学习。数据集结构简洁，每条样本包含服务名称、评论文本及评分三个字段，无额外标注，降低了使用门槛。然而，数据集中正向样本占比高达88.5%，负向样本仅占11.5%，呈现出显著的类别不平衡现象，这既是其固有特征，也是模型训练中需重点应对的挑战。

使用方法

该数据集适用于文本分类任务，特别是情感分析与情感评分场景。研究者可直接加载原始CSV文件，利用`review`字段作为输入特征，`rating`字段作为监督标签。由于数据以单文件形式提供，用户可根据研究需求自行划分训练集与验证集。建议在模型训练中关注类别不平衡问题，可尝试过采样、欠采样或调整损失函数权重等策略。此外，数据集支持基于阈值的二分类与原始5分类两种建模方式，为不同粒度情感分析提供了灵活选择。

背景与挑战

背景概述

在自然语言处理领域，情感分析作为文本分类的重要分支，长期面临低资源语言语料匮乏的困境。阿拉伯语因其复杂的形态学特征和丰富的方言变体，相关研究进展尤为缓慢。2019年，黎巴嫩大学语言科学与传播中心的Marwan Al Omari等研究者构建了OCLAR（Opinion Corpus for Lebanese Arabic Reviews）数据集，旨在填补黎巴嫩阿拉伯语服务评论情感分析的研究空白。该数据集从Zomato和Google Reviews平台采集了3916条涵盖餐厅、酒店、医院等多领域的用户评论，采用5级评分制标注情感极性，其中正面评论（3-5星）3465条，负面评论（1-2星）451条。作为首个聚焦黎巴嫩方言的服务评论情感语料库，OCLAR为阿拉伯语方言情感分析提供了标准化基准，推动了该领域从现代标准阿拉伯语向区域方言的拓展。

当前挑战

OCLAR数据集面临的核心挑战源于情感分析领域的固有难题与构建过程中的特殊困难。领域层面，黎巴嫩阿拉伯语作为口语化方言，存在大量非正式表达、拼写变异及代码混合现象，传统基于现代标准阿拉伯语的情感模型难以直接迁移。此外，评论中隐含的文化语境与讽刺修辞增加了情感极性判定的模糊性，5级评分制虽提供细粒度标注，但3分中性样本的归属争议可能影响分类边界。构建过程中，数据采集遭遇显著类别不平衡问题——负面评论仅占11.5%，导致逻辑回归分类器对负向情感预测置信度不足。同时，众包标注虽降低成本，却缺乏专业语言学家的校验，部分评论的评分与文本情感存在潜在矛盾，且未公开的标注者间一致性检验结果削弱了标注可靠性。

常用场景

经典使用场景

OCLAR数据集在阿拉伯语情感分析研究中占据着举足轻重的地位，尤其在黎巴嫩方言的文本情感分类任务中，它被视为一个经典基准。该数据集收录了来自Zomato和Google Reviews的3916条关于餐厅、酒店、医院及本地商铺等多样化服务领域的用户评论，每条评论均附带1至5星的评分标签。研究者通常将其用于训练和评估基于逻辑回归、支持向量机或深度学习模型的情感分类器，通过将3星及以上视为正面、1至2星视为负面，来探索阿拉伯语非规范文本的情感极性判别能力。其简洁的字段结构——仅包含服务名称、评论文本和评分——使得数据预处理和特征工程环节高度聚焦于文本本身，从而成为阿拉伯语自然语言处理社区中验证新算法有效性的理想试验床。

解决学术问题

该数据集的核心学术贡献在于解决了阿拉伯语，尤其是黎巴嫩方言这一低资源语言在情感分析领域面临的标注数据匮乏问题。在OCLAR出现之前，针对阿拉伯语服务评论的情感分类研究多依赖于机器翻译或跨语言迁移学习，难以捕捉本土化的语言表达习惯与文化语境。该数据集通过众包方式采集真实用户评论，提供了高质量的人工标注样本，使得研究者能够系统性地探索阿拉伯语情感分析中的类别不平衡问题——其中正面评论占比高达88.5%，而负面评论仅占11.5%。这一特性直接推动了针对不平衡数据集的采样策略、代价敏感学习以及集成方法等学术难题的深入研究，为后续阿拉伯语情感分析领域的理论突破奠定了坚实的数据基础。

衍生相关工作

OCLAR数据集催生了一系列具有重要影响力的衍生研究工作。其中，最经典的工作包括Marwan Al Omari等人（2019）提出的基于逻辑回归的情感分类器，该模型在该数据集上首次系统性地验证了逻辑回归在黎巴嫩方言评论中的有效性，并揭示了模型对正面评论的高置信度与对负面评论的偏差现象。此后，研究者进一步将OCLAR与多任务学习框架结合，探索同时进行情感分类与方面级观点挖掘的可能性。此外，该数据集还被用于评估预训练语言模型如AraBERT和mBERT在阿拉伯语方言上的微调性能，推动了跨方言情感分析的迁移学习研究。这些衍生工作不仅深化了对阿拉伯语情感分析挑战的理解，也为低资源语言的自然语言处理研究提供了可复现的范本。