SEACrowd/wongnai_reviews

Wongnai Reviews数据集包含泰国超过200,000家餐厅、美容院和水疗中心的用户评论，每条评论都带有1-5星的评分。该数据集的主要任务是利用文本信息进行评分预测。数据集的语言为泰语（tha），任务类别为情感分析。用户可以通过`datasets`或`seacrowd`库加载该数据集，并利用其进行相关研究。

原始信息汇总

Wongnai Reviews 数据集概述

基本信息

• 名称: Wongnai Reviews
• 语言: 泰语 (tha)
• 任务类别: 情感分析 (sentiment-analysis)
• 标签: 情感分析 (sentiment-analysis)
• 许可证: GNU Lesser General Public License v3.0 (lgpl-3.0)
• 版本:
  • 源版本: 1.0.0
  • SEACrowd版本: 2024.06.20

数据集描述

Wongnai平台涵盖了泰国超过20万家餐厅、美容院和SPA，提供每个商家的详细信息和用户评论。注册用户超过200万，可以搜索曼谷的顶级商家、关注朋友、上传照片并撰写简短的评论，每条评论都附有1-5星的评分。该数据集的任务是仅使用文本信息创建一个评分预测模型。

支持的任务

• 情感分析

数据集加载

使用 datasets 库

python from datasets import load_dataset dset = datasets.load_dataset("SEACrowd/wongnai_reviews", trust_remote_code=True)

使用 seacrowd 库

python import seacrowd as sc

使用默认配置加载数据集

dset = sc.load_dataset("wongnai_reviews", schema="seacrowd")

查看数据集的所有可用子集（配置名称）

print(sc.available_config_names("wongnai_reviews"))

使用特定配置加载数据集

dset = sc.load_dataset_by_config_name(config_name="<config_name>")

数据集主页

https://huggingface.co/datasets/wongnai_reviews

引用

如果您在工作中使用了 Wongnai Reviews 数据加载器，请引用以下内容：

@article{lovenia2024seacrowd, title={SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages}, author={Holy Lovenia and Rahmad Mahendra and Salsabil Maulana Akbar and Lester James V. Miranda and Jennifer Santoso and Elyanah Aco and Akhdan Fadhilah and Jonibek Mansurov and Joseph Marvin Imperial and Onno P. Kampman and Joel Ruben Antony Moniz and Muhammad Ravi Shulthan Habibi and Frederikus Hudi and Railey Montalan and Ryan Ignatius and Joanito Agili Lopo and William Nixon and Börje F. Karlsson and James Jaya and Ryandito Diandaru and Yuze Gao and Patrick Amadeus and Bin Wang and Jan Christian Blaise Cruz and Chenxi Whitehouse and Ivan Halim Parmonangan and Maria Khelli and Wenyu Zhang and Lucky Susanto and Reynard Adha Ryanda and Sonny Lazuardi Hermawan and Dan John Velasco and Muhammad Dehan Al Kautsar and Willy Fitra Hendria and Yasmin Moslem and Noah Flynn and Muhammad Farid Adilazuarda and Haochen Li and Johanes Lee and R. Damanhuri and Shuo Sun and Muhammad Reza Qorib and Amirbek Djanibekov and Wei Qi Leong and Quyet V. Do and Niklas Muennighoff and Tanrada Pansuwan and Ilham Firdausi Putra and Yan Xu and Ngee Chia Tai and Ayu Purwarianti and Sebastian Ruder and William Tjhi and Peerat Limkonchotiwat and Alham Fikri Aji and Sedrick Keh and Genta Indra Winata and Ruochen Zhang and Fajri Koto and Zheng-Xin Yong and Samuel Cahyawijaya}, year={2024}, eprint={2406.10118}, journal={arXiv preprint arXiv: 2406.10118} }

搜集汇总

数据集介绍

构建方式

Wongnai Reviews数据集源自泰国知名的本地服务平台Wongnai，该平台汇聚了超过20万家商户的详细信息与用户评价。数据集的构建聚焦于用户撰写的评论文本，每条评论均附有1至5星的评分标签，从而形成了文本与情感标签的配对语料。为服务于情感分析任务，研究者将原始的用户评价数据整理为标准化的格式，并经由SEACrowd数据枢纽进行统一封装，确保数据集具备跨库兼容的加载接口。

特点

该数据集以泰语为单一语言载体，专注于泰国本土消费场景下的情感分析任务，具备鲜明的区域性与领域特异性。其核心特点在于评分与文本的强关联性——每条评论均对应明确的星级评分，这为监督学习提供了高质量的标签依据。此外，数据集规模庞大、来源真实，覆盖餐饮、美容等多种服务类型，能够有效反映泰国用户的实际情感表达习惯与评价模式。

使用方法

数据集可通过HuggingFace的datasets库便捷加载，调用load_dataset('SEACrowd/wongnai_reviews', trust_remote_code=True)即可获取。同时，SEACrowd库提供了更灵活的数据加载方式，支持通过sc.load_dataset('wongnai_reviews', schema='seacrowd')或指定配置名称进行子集调用。用户可根据研究需求选择默认配置或特定子集，从而高效地开展基于文本的评分预测模型训练与评估。

背景与挑战

背景概述

在自然语言处理领域，情感分析作为一项核心任务，旨在从文本中自动识别和提取主观信息。Wongnai Reviews数据集由SEACrowd团队于2024年发布，依托泰国领先的本地服务平台Wongnai，汇聚了超过20万家商户的详细资料与用户评价。该数据集聚焦于基于评论文本预测1至5星的评分等级，核心研究问题在于探索如何仅利用文本信息精准建模用户情感倾向，从而为泰国语料下的情感分析研究提供标准化基准。其影响力体现在填补了泰语情感分析资源的稀缺性，并推动了东南亚语言自然语言处理的发展。

当前挑战

该数据集面临的核心挑战在于解决泰语情感分析中的领域特异性问题，包括泰语文本中复杂的口语化表达、混合外来词汇以及非正式语法结构，这些因素增加了模型从文本中准确提取情感特征的难度。构建过程中，挑战主要源于数据标注的可靠性，尽管评分作为天然标签存在，但用户评论文本与评分之间的潜在不匹配（如讽刺或矛盾表述）可能导致噪声数据。此外，多商户类别的多样性要求模型具备跨领域泛化能力，而数据集的单一语言特性也限制了其在多语言场景下的适用性。

常用场景

经典使用场景

Wongnai Reviews数据集作为泰国本土餐饮与生活服务领域的大规模用户评论语料库，其经典应用场景聚焦于基于文本的情感分析与评分预测任务。研究者利用该数据集中超过二十万家商户的评论文本与对应的1至5星评分标签，构建从自然语言表达映射至数值化情感强度的高精度回归模型，从而探索非结构化文本与结构化评分之间的深层语义关联。这一场景不仅验证了泰语情感分析任务的独特挑战，如口语化表达、混合语言现象及文化语境依赖，也为东南亚低资源语言的自然语言处理研究提供了基准实验平台。

解决学术问题

该数据集有效回应了跨语言情感分析中资源分布不均的学术困境，尤其填补了泰语用户生成内容在细粒度评分预测领域的系统性空白。通过提供带星级标注的百万级评论样本，它使研究者得以规避人工标注成本高昂与数据稀疏性问题，从而系统性地探索基于深度学习的文本表示方法在泰语情感极性量化中的泛化能力。此外，该数据集推动了多任务学习框架的验证，例如将情感分类与评分回归联合优化，揭示了语言特异性特征（如泰语语气助词、网络俚语）对模型性能的显著影响，为构建鲁棒的低资源语言情感分析范式奠定了数据基础。

衍生相关工作

围绕Wongnai Reviews数据集，学术界已衍生出一系列具有影响力的工作，包括泰语预训练语言模型的微调评估（如WangchanBERTa在情感回归任务上的适配）、多语言情感分析模型在东南亚语言上的迁移学习研究，以及基于对比学习的弱监督评分预测框架。部分工作进一步将评论视觉信息与文本融合，探索多模态情感理解在泰国生活服务场景下的潜力。此外，该数据集被纳入SEACrowd基准套件后，催生了针对东南亚语言模型公平性与鲁棒性的系统性评测，推动社区关注低资源语言数据标准化与可复现性研究，成为连接学术探索与区域语言技术落地的关键枢纽。