sebdg/go_emotions_cleaned

---
language:
- en
license: apache-2.0
size_categories:
- 100K<n<1M
task_categories:
- text-classification
tags:
- emotions
- sentiments
- sentiment-analysis
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
dataset_info:
features:
- name: text
dtype: string
- name: labels
sequence: int64
- name: labels_text
dtype: string
- name: admiration
dtype: int32
- name: amusement
dtype: int32
- name: anger
dtype: int32
- name: annoyance
dtype: int32
- name: approval
dtype: int32
- name: caring
dtype: int32
- name: confusion
dtype: int32
- name: curiosity
dtype: int32
- name: desire
dtype: int32
- name: disappointment
dtype: int32
- name: disapproval
dtype: int32
- name: disgust
dtype: int32
- name: embarrassment
dtype: int32
- name: excitement
dtype: int32
- name: fear
dtype: int32
- name: gratitude
dtype: int32
- name: grief
dtype: int32
- name: joy
dtype: int32
- name: love
dtype: int32
- name: nervousness
dtype: int32
- name: optimism
dtype: int32
- name: pride
dtype: int32
- name: realization
dtype: int32
- name: relief
dtype: int32
- name: remorse
dtype: int32
- name: sadness
dtype: int32
- name: surprise
dtype: int32
- name: neutral
dtype: int32
- name: __index_level_0__
dtype: int64
splits:
- name: train
num_bytes: 20641564.0
num_examples: 46032
- name: test
num_bytes: 5160391.0
num_examples: 11508
download_size: 4599135
dataset_size: 25801955.0
---

# Go Emotions Dataset (Cleaned)
Description of the dataset.

## Updates
- Dataset is currated from the original go_emotions dataset

---
语言：
- 英语
许可证：Apache-2.0
数据规模范围：
- 10万<样本量<100万
下游任务类别：
- 文本分类
标注标签：
- 情绪
- 情感
- 情感分析
配置：
- 配置名称：default
数据文件：
- 拆分集：train
路径：data/train-*
- 拆分集：test
路径：data/test-*
数据集信息：
特征：
- 名称：text
数据类型：字符串
- 名称：labels
数据类型：int64序列
- 名称：labels_text
数据类型：字符串
- 名称：admiration（赞赏）
数据类型：int32
- 名称：amusement（愉悦）
数据类型：int32
- 名称：anger（愤怒）
数据类型：int32
- 名称：annoyance（烦躁）
数据类型：int32
- 名称：approval（认可）
数据类型：int32
- 名称：caring（关怀）
数据类型：int32
- 名称：confusion（困惑）
数据类型：int32
- 名称：curiosity（好奇）
数据类型：int32
- 名称：desire（渴望）
数据类型：int32
- 名称：disappointment（失望）
数据类型：int32
- 名称：disapproval（不认可）
数据类型：int32
- 名称：disgust（厌恶）
数据类型：int32
- 名称：embarrassment（尴尬）
数据类型：int32
- 名称：excitement（兴奋）
数据类型：int32
- 名称：fear（恐惧）
数据类型：int32
- 名称：gratitude（感激）
数据类型：int32
- 名称：grief（悲痛）
数据类型：int32
- 名称：joy（喜悦）
数据类型：int32
- 名称：love（爱）
数据类型：int32
- 名称：nervousness（紧张）
数据类型：int32
- 名称：optimism（乐观）
数据类型：int32
- 名称：pride（自豪）
数据类型：int32
- 名称：realization（领悟）
数据类型：int32
- 名称：relief（释然）
数据类型：int32
- 名称：remorse（懊悔）
数据类型：int32
- 名称：sadness（悲伤）
数据类型：int32
- 名称：surprise（惊讶）
数据类型：int32
- 名称：neutral（中性）
数据类型：int32
- 名称：__index_level_0__
数据类型：int64
数据拆分：
- 名称：train（训练集）
字节数：20641564.0
样本数：46032
- 名称：test（测试集）
字节数：5160391.0
样本数：11508
下载大小：4599135
数据集总大小：25801955.0
---

# 清理版Go情绪数据集（Go Emotions Dataset）
数据集说明。

## 更新日志
- 本数据集整理自原始go_emotions数据集

原始信息汇总

数据集概述

基本信息

• 语言: 英语
• 许可证: Apache-2.0
• 大小分类: 100K<n<1M
• 任务分类: 文本分类
• 标签: 情绪, 情感, 情感分析

配置

• 默认配置:
  • 训练数据路径: data/train-*
  • 测试数据路径: data/test-*

数据集特征

• 文本: 字符串类型
• 标签: 整数序列类型
• 标签文本: 字符串类型
• 情绪特征:
  • 钦佩, 娱乐, 愤怒, 烦恼, 赞同, 关心, 困惑, 好奇, 欲望, 失望, 不赞同, 厌恶, 尴尬, 兴奋, 恐惧, 感激, 悲伤, 喜悦, 爱, 紧张, 乐观, 自豪, 觉悟, 宽慰, 懊悔, 悲伤, 惊奇, 中立 - 均为整数32位类型
  • 索引级别0: 整数64位类型

数据集分割

• 训练集:
  • 样本数: 46032
  • 字节数: 20641564.0
• 测试集:
  • 样本数: 11508
  • 字节数: 5160391.0

下载与数据集大小

• 下载大小: 4599135字节
• 数据集大小: 25801955.0字节

搜集汇总

数据集介绍

构建方式

在情感计算与自然语言处理领域，精细化的情感识别是理解人类交流的关键。该数据集源自经典的Go Emotions语料库，经过系统性的清洗与整理，构建了一个高质量的多标签情感分类资源。具体而言，研究者在原始数据基础上，通过去除噪声、修正标注不一致以及标准化文本格式，保留了46032条训练样本和11508条测试样本。每条文本均配备了28种细粒度情感标签（如admiration、amusement、anger等）以及一个中性类别，并额外提供了情感文本描述，从而确保了标注的完整性与一致性。这种严谨的构建流程旨在提升模型在真实场景下的泛化能力。

特点

该数据集的核心特点在于其多维度的情感标注体系与结构化设计。不同于传统单一情感分类，它支持多标签联合识别，允许同一文本同时映射至多种情感状态（如同时包含‘喜悦’与‘惊讶’），这更贴近人类情感表达的复杂性与模糊性。此外，数据集不仅包含数值化的标签矩阵，还提供了可读的情感文本字段，便于不同技术背景的研究者直接使用。其规模适中（约5.7万样本），兼顾了模型训练的充分性与计算资源的可行性，特别适合用于情感分析、心理语言学及人机交互等领域的基准测试与模型微调。

使用方法

该数据集通过HuggingFace Datasets库实现便捷加载与使用。用户可调用`load_dataset`函数指定配置名`default`，自动获取划分好的训练集与测试集。数据以字典形式返回，每条记录包含`text`字段（原始文本）和`labels`字段（情感索引列表），以及28个独立的布尔型情感字段（如`joy`、`sadness`）。对于多标签分类任务，可直接利用`labels`序列进行损失函数计算；若需进行单标签分析，则可选择`labels_text`字段获取情感名称。建议使用预训练语言模型（如BERT、RoBERTa）进行微调，并采用二分类交叉熵损失处理多标签输出。

背景与挑战

背景概述

情感识别作为自然语言处理领域的核心议题，长久以来受限于标注语料的粒度与规模。由Google研究团队于2020年发布的GoEmotions数据集，开创性地定义了涵盖27种细粒度情感类别及中性状态的标注体系，为文本情感分析提供了更为精密的认知框架。sebdg/go_emotions_cleaned数据集在此基础上进行了系统性的清洗与重构，保留了原始语料中来自Reddit论坛的约5.8万条高质量英文评论，划分为训练集与测试集。该数据集不仅推动了多标签情感分类任务的发展，更成为评估模型对微妙情感差异理解能力的重要基准，深刻影响了对话系统、心理健康分析等应用领域的研究范式。

当前挑战

该数据集面临的核心挑战在于情感标签的高度细粒度化与类别间语义重叠问题。27种情感类别中，如‘钦佩’与‘认可’、‘悲伤’与‘失望’等相邻类别存在细微边界，导致模型难以实现精准区分。构建过程中的挑战则体现为原始数据噪声的消除：Reddit评论包含大量俚语、反讽及上下文依赖的表达，清洗工作需在保留情感信息完整性的前提下剔除无关噪声，同时确保多标签标注的一致性与覆盖率。此外，类别分布的长尾效应使得少数情感样本的模型泛化能力成为关键难题。

常用场景

经典使用场景

在情感计算与自然语言处理的交叉领域中，sebdg/go_emotions_cleaned数据集凭借其精细化的多标签情感标注体系，成为文本情感分类研究的标杆性资源。该数据集涵盖28种细腻情感类别（如钦佩、困惑、释然等）及一个中性类别，为模型捕捉人类情感的复杂性与细微差异提供了丰沛的语料支撑。研究者常将其用于训练深度学习模型以完成多标签情感识别任务，通过双向长短期记忆网络、Transformer架构或预训练语言模型（如BERT、RoBERTa）进行微调，从而在社交媒体评论、产品评价等文本中精准解析交织并存的情感信号，推动情感分析从粗粒度的正负极性判断迈向更富层次感的语义理解。

解决学术问题

该数据集的问世有效缓解了传统情感数据集中类别粗糙、样本偏差及标注噪声等学术困境。此前，多数资源仅聚焦于六类基本情绪，难以刻画真实场景中情感的混合性与动态性。Go Emotions Cleaned通过标准化清洗流程，剔除了原始数据中的冗余与不一致条目，为构建鲁棒的情感分类基准提供了可靠基础。它助力学界深入探究情感表达的语境依赖性、情感标签间的共现模式，以及跨文化情感认知的异同。基于此数据集的研究不仅提升了情感识别模型的泛化能力，还催生了关于情感层次结构、标签不平衡处理策略等理论突破，显著推动了情感计算理论体系的完善。

衍生相关工作

该数据集作为情感分析领域的重要基石，衍生出众多具有影响力的学术工作。研究者基于其多标签结构开发了层次化情感分类框架，如结合图卷积网络建模标签间依赖关系的模型，显著提升了分类性能。在预训练语言模型微调实践中，Go Emotions Cleaned被用作评估情感知识迁移效果的基准，催生了如EmoBERTa等情感增强型语言模型。此外，针对数据集中长尾标签的挑战，涌现了多种少样本学习与对比学习策略，为低资源情感类别识别提供了新范式。这些衍生工作不仅深化了对情感表达复杂性的认知，也为跨任务情感推理、多模态情感分析等前沿方向奠定了方法论基础。