Djacon/ru_goemotions

RuGoEmotions数据集包含34k条Reddit评论，标注了9种情感类别（如喜悦、兴趣、惊讶、悲伤、愤怒、厌恶、恐惧、内疚和中性）。数据集已经预定义了训练/验证/测试集的分割。数据集主要用于多类、多标签的情感分类任务，数据语言为俄语。数据集的创建目的是为了改进情感表达的理解，适用于多种下游任务。数据来源是Reddit评论，注释由印度的英语母语者完成。数据集包含Reddit用户的原始用户名，可能存在个人身份信息泄露的风险。

原始信息汇总

RuGoEmotions 数据集概述

数据集描述

数据集总结

• 数据量: 包含34,000条Reddit评论。
• 情感类别: 9种情感类别，包括喜悦、兴趣、惊讶、悲伤、愤怒、厌恶、恐惧、内疚和中性。
• 预定义分割: 已预先定义训练集、验证集和测试集。

支持的任务和排行榜

• 任务类型: 多类别、多标签情感分类。

语言

• 语言: 俄语。

数据集结构

数据实例

• 实例描述: 每个实例为一条Reddit评论，附带一个或多个情感标签（或中性）。

数据字段

• 字段配置:
  • text: Reddit评论文本。
  • labels: 情感标签。

数据分割

• 分割详情: 训练集26,900条，验证集3,290条，测试集3,370条。

数据集创建

数据收集和规范化

• 数据来源: Reddit评论，通过多种自动化方法收集。
• 语言生产者: 英语母语的Reddit用户。

注释

• 注释者: 3名英语母语的印度众包工作者。

个人和敏感信息

• 信息包含: 包含原始Reddit用户名，可能关联到个人真实身份。

使用数据集的考虑

社会影响

• 潜在应用: 改善人机交互等。
• 潜在滥用: 在招聘决策、保险定价等领域可能被误用。

偏见讨论

• 潜在偏见: 包括Reddit用户偏见、数据过滤使用的攻击性/粗俗词汇列表、注释者的无意识偏见等。

附加信息

数据集管理者

• 管理者: 来自Amazon Alexa、Google Research和Stanford的研究人员。

许可证信息

• 许可证: Apache License 2.0。

引用信息

• 引用格式:

  @inproceedings{demszky2020goemotions, author = {Demszky, Dorottya and Movshovitz-Attias, Dana and Ko, Jeongwoo and Cowen, Alan and Nemade, Gaurav and Ravi, Sujith}, booktitle = {58th Annual Meeting of the Association for Computational Linguistics (ACL)}, title = {{GoEmotions: A Dataset of Fine-Grained Emotions}}, year = {2020} }