thanakritbright/PTH_DATA

Wisesight情感语料库：包含泰语社交媒体消息，带有情感类别（积极、中性、消极、问题）。该数据集在Creative Commons Zero v1.0 Universal许可下发布，包含26,737条消息，主要涉及消费品和服务领域（如餐厅、化妆品、饮料、汽车、酒店），以及一些时事内容。数据时间跨度为2016年至2019年初，风格为非正式和对话式，包含一些新闻标题和广告。数据集经过隐私处理，去除了个人数据，保留了拼写错误和符号，移除了超过2000个字符的消息和非泰语消息。

原始信息汇总

数据集概述

名称: Wisesight Sentiment Corpus

描述: 包含26,737条泰语社交媒体消息，每条消息带有情感类别标签（积极、中性、消极、疑问）。

语言: 中央泰语

风格: 非正式和对话式，包含部分新闻标题和广告。

时间范围: 大约2016年至2019年初，少量来自其他时期。

领域: 混合，主要涉及消费者产品和服务（餐厅、化妆品、饮料、汽车、酒店），以及一些时事。

隐私政策:

• 仅包含互联网上公开可访问的消息（网站、博客、社交网络站点）。
• 对于Facebook，仅包括公共页面上所有人可见的评论。
• 不包括私密/受保护的消息以及群组、聊天和收件箱中的消息。

数据处理:

• 不统计代表语言注册中的任何内容。
• 大量消息未经原始形式处理，个人数据被移除或屏蔽。
• 移除了重复、前导和尾随空格，其他标点符号、符号和表情保持不变。
• 拼写错误保持不变。
• 移除了超过2,000个字符的消息和非泰语的长消息。
• 移除了重复的消息（完全匹配）。

类别标签:

• "pos": 0 (积极)
• "neu": 1 (中性)
• "neg": 2 (消极)
• "q": 3 (疑问)

数据集结构:

• 训练集: train.jsonl
• 验证集: valid.jsonl
• 测试集: test.jsonl

引用:

@software{bact_2019_3457447, author = {Suriyawongkul, Arthit and Chuangsuwanich, Ekapol and Chormai, Pattarawat and Polpanumas, Charin}, title = {PyThaiNLP/wisesight-sentiment: First release}, month = sep, year = 2019, publisher = {Zenodo}, version = {v1.0}, doi = {10.5281/zenodo.3457447}, url = {https://doi.org/10.5281/zenodo.3457447} }