RepLab 2013

RepLab 2013 数据集使用英语和西班牙语的 Twitter 数据（超过 142,000 条推文）。两种语言之间的平衡取决于数据集中包含的每个实体的数据可用性。该语料库由一组推文组成，这些推文引用了来自四个领域的一组选定的 61 个实体：汽车、银行、大学和音乐/艺术家。进行域选择是为了为声誉研究提供各种场景。在 2012 年 6 月 1 日至 2012 年 12 月 31 日期间，使用实体的规范名称作为查询进行了爬网。对于每个实体，至少收集 2200 条推文：时间线开头的至少 700 条推文用作训练集，最后一条推文至少保留 1500 条用于测试集。语料库还包含每个实体的附加背景推文（最多 50,000 条推文，实体之间的差异很大）。以这种方式设置此分布以获得训练和测试数据之间的时间间隔（理想情况下为几个月）。请注意，这些集合中可用推文的最终数量可能较低，因为某些帖子可能已被用户删除：为了尊重 Twitter 的服务条款，我们不提供推文的内容。推文标识符可用于检索帖子的文本。我们提供了一个下载工具，它与 2011 年和 2012 年的 TREC 微博 Track 中使用的机制类似。更多信息请参阅 RepLab 2013 Overview 的论文。