Zmeegrych/kinopoisk

Kinopoisk电影评论数据集（包含TOP250和BOTTOM100排名列表）。总计包含36,591条评论，时间范围从2004年7月到2012年11月。基于3点情感量表的分布如下：正面（Good）27,264条；负面（Bad）4,751条；中性（Neutral）4,576条。每个样本包含以下字段：part（排名列表top250或bottom100）、movie_name（电影名称）、review_id（评论ID）、author（评论作者）、date（评论日期）、title（评论标题）、grade3（情感得分：正面、负面或中性）、grade10（基于文本解析的10点情感得分）、content（评论文本）。Kinopoisk movie reviews dataset (TOP250 & BOTTOM100 rank lists). In total it contains 36,591 reviews from July 2004 to November 2012. With following distribution along the 3-point sentiment scale: Good: 27,264; Bad: 4,751; Neutral: 4,576. Each sample contains the following fields: part: rank list top250 or bottom100; movie_name; review_id; author: review author; date: date of a review; title: review title; grade3: sentiment score Good, Bad or Neutral; grade10: sentiment score on a 10-point scale parsed from text; content: review text.

搜集汇总

数据集介绍

构建方式

Kinopoisk数据集基于俄罗斯权威电影平台Kinopoisk的TOP250与BOTTOM100排行榜构建，系统采集了自2004年7月至2012年11月间的影评文本。共收录36,591条用户评论，每条样本均包含所属榜单类别、电影名称、评论编号、作者信息、发布日期、评论标题、三级情感标签（好评/中评/差评）、十分制评分以及原始评论文本字段。数据集通过从排行榜中筛选代表性电影评论的方式，确保了评论内容在情感极性上的广泛覆盖。

特点

该数据集以俄语单语情感分类为核心任务，采用三级情感标注体系，其中好评占比约74.5%，中评与差评分别占12.5%与13.0%，呈现明显的长尾分布特征。除情感标签外，数据集同时提供十分制评分，支持细粒度情感分析研究。评论内容涵盖从经典佳作到口碑烂片的多层次电影评价，为俄语情感分析模型训练提供了兼具尺度多样性与领域专业性的高质量语料。

使用方法

数据集以JSON Lines格式存储，可通过Pandas库便捷加载：使用pd.read_json('kinopoisk.jsonl', lines=True)即可读取为数据框。适用场景包括俄语文本情感分类、多标签情感分析以及评论内容特征挖掘等自然语言处理任务。研究者可根据需要选择三级标签或十分制评分作为监督信号，结合评论文本进行模型训练与评估。数据集采用MIT开源协议发布，支持学术研究与商业应用场景。

背景与挑战

背景概述

Kinopoisk数据集由俄罗斯研究人员Blinov、Klekovkina、Kotelnikov和Pestov于2013年创建，旨在为俄语电影评论的情感分析提供标准化基准。该数据集包含从2004年7月至2012年11月间收集的36,591条评论，源自俄罗斯知名电影数据库Kinopoisk的TOP250和BOTTOM100排行榜。核心研究问题聚焦于探索词汇方法与机器学习技术在俄语情感分类中的有效性，填补了非英语情感分析资源的稀缺性。作为俄语自然语言处理领域的里程碑式资源，Kinopoisk推动了跨语言情感分析技术的发展，并在后续研究中被广泛引用，对低资源语言的情感计算研究产生了深远影响。

当前挑战

该数据集的构建面临多重挑战。领域层面，俄语情感分析需处理复杂的形态变化、自由语序及丰富的情感表达方式，其情感极性判别（三分类：正面、负面、中性）比英语更为困难。数据构建过程中，评论来源涉及TOP250（高口碑）与BOTTOM100（低口碑）两类极端榜单，导致样本分布极不均衡（正面评论27,264条，负面仅4,751条），可能引入标注偏差。此外，从文本中解析10分制评分需处理非结构化表达，如隐含情感的隐喻或反讽，增加了标注难度。时间跨度长达八年，语言使用习惯的演变亦可能影响情感标签的时效性，需警惕数据漂移问题。

常用场景

经典使用场景

Kinopoisk数据集在自然语言处理领域，尤其是俄语文本情感分析任务中，扮演着举足轻重的基准角色。该数据集汇集了源自俄罗斯知名电影评论平台Kinopoisk上的36591条影评，覆盖2004年至2012年间收录的TOP250与BOTTOM100排行榜影片。每条样本不仅包含完整的评论文本，还同时提供了三级情感标签（积极、消极、中性）与十分制评分，为研究多粒度情感表达的关联性提供了独特视角。经典使用场景是构建与评估俄语情感分类模型，研究者通常利用此数据集训练从传统机器学习方法（如支持向量机）到现代深度学习架构（如BERT的俄语变体）的各类分类器。其作为俄语情感分析领域鲜有的公开且标注规模可观的数据资源，有效支撑了跨语言情感分析、电影评论文本特性挖掘等细分方向的基础实验，成为俄语NLP社区验证模型泛化能力的重要测试平台。

衍生相关工作

Kinopoisk数据集诞生后，催生了一系列在俄语情感分析领域具有深远影响的经典工作。其原始论文《Research of lexical approach and machine learning methods for sentiment analysis》作为奠基之作，系统对比了词汇方法与多种机器学习模型（如朴素贝叶斯、逻辑回归）在影评情感分类上的性能，确立了该数据集作为基准的重要性。此后，诸多研究在此基础上扩展与深化：部分工作专注于将Kinopoisk与其它俄语情感数据集（如RuSentiment）联合使用，探索跨领域情感迁移学习策略；另有研究者利用该数据集的十级评分特性，提出了新颖的细粒度情感回归模型，超越了传统的三级分类框架。在预训练语言模型席卷NLP领域的背景下，以Kinopoisk为核心评价基准的论文系统评估了RuBERT、GPT-2的俄语变体等大型模型在情感语义捕捉能力上的表现。更有项目如SentiRuEval竞赛，直接将Kinopoisk作为标准评估集的一部分，推动了俄语情感分析评测体系的规范化。这些衍生工作不仅巩固了Kinopoisk在俄语NLP中的里程碑地位，还持续激励着研究者探索更先进、更鲁棒的情感分析算法。

数据集最近研究

最新研究方向

基于Kinopoisk数据集的俄语电影评论情感分析研究，正在向细粒度情感判别与跨模态语义理解方向演进。该数据集涵盖TOP250与BOTTOM100榜单，收录2004至2012年间逾三万六千条评论，按三等分情感标签（正面、负面、中立）分布，为俄语自然语言处理提供了稀缺的标注资源。当前前沿研究聚焦于利用预训练语言模型（如RuBERT）在该数据上训练情感分类器，并尝试融合十级评分grade10与文本内容grade3的映射关系，以提升情感极性检测的鲁棒性。此外，结合俄语特有的形态句法复杂性，最新工作探索了情感词库增强与对抗性样本生成策略，旨在缓解类别不平衡问题（正面评论占比约74.5%），该数据集已成为检验俄语情感分析模型泛化能力与可解释性的重要基准，对推动斯拉夫语种的低资源情感理解研究具有标志性意义。