Sentiment140 dataset with 1.6 million tweets

### Context

This is the sentiment140 dataset. It contains 1,600,000 tweets extracted using the twitter api . The tweets have been annotated (0 = negative, 4 = positive) and they can be used to detect sentiment .

### Content

It contains the following 6 fields:

1. **target**: the polarity of the tweet (*0* = negative, *2* = neutral, *4* = positive)

2. **ids**: The id of the tweet ( *2087*)

3. **date**: the date of the tweet (*Sat May 16 23:58:44 UTC 2009*)

4. **flag**: The query (*lyx*). If there is no query, then this value is NO_QUERY.

5. **user**: the user that tweeted (*robotickilldozr*)

6. **text**: the text of the tweet (*Lyx is cool*)

### Acknowledgements

The official link regarding the dataset with resources about how it was generated is [here][1]
The official paper detailing the approach is [here][2]

Citation: Go, A., Bhayani, R. and Huang, L., 2009. Twitter sentiment classification using distant supervision. *CS224N Project Report, Stanford, 1(2009), p.12*.

### Inspiration

To detect severity from tweets. You [may have a look at this][3].

[1]: http://%20http://help.sentiment140.com/for-students/
[2]: http://bhttp://cs.stanford.edu/people/alecmgo/papers/TwitterDistantSupervision09.pdf
[3]: https://www.linkedin.com/pulse/social-machine-learning-h2o-twitter-python-marios-michailidis

此为 sentiment140 数据集。该数据集包含通过 Twitter API 提取的 1,600,000 条推文。推文已进行标注（0 表示负面，4 表示正面），可用于检测情感倾向。

数据集包含以下 6 个字段：
1. **目标**：推文的极性（*0* 表示负面，*2* 表示中性，*4* 表示正面）
2. **ID**：推文的 ID（例如：*2087*）
3. **日期**：推文的发布日期（例如：*Sat May 16 23:58:44 UTC 2009*）
4. **查询标记**：查询条件（例如：*lyx*）。若无查询条件，则此值显示为 NO_QUERY。
5. **用户**：发布推文的用户（例如：*robotickilldozr*）
6. **文本**：推文的内容（例如：*Lyx is cool*）

致谢：有关数据集及其生成方法的官方链接请见[此处][1]。详细描述方法的官方论文请见[此处][2]。引用：Go, A.，Bhayani, R. 和 Huang, L.，2009. 基于 distant supervision 的 Twitter 情感分类。*CS224N 项目报告，斯坦福，1(2009)，p.12*。

灵感来源：用于从推文中检测严重程度。[您可以参考此处][3]。

[1]: http://help.sentiment140.com/for-students/
[2]: http://cs.stanford.edu/people/alecmgo/papers/TwitterDistantSupervision09.pdf
[3]: https://www.linkedin.com/pulse/social-machine-learning-h2o-twitter-python-marios-michailidis