mounikaiiith/Telugu_Sentiment

---
license: cc-by-4.0
---

Do cite the below reference for using the dataset:
@article{marreddy2022resource, title={Am I a Resource-Poor Language? Data Sets, Embeddings, Models and Analysis for four different NLP tasks in Telugu Language},
author={Marreddy, Mounika and Oota, Subba Reddy and Vakada, Lakshmi Sireesha and Chinni, Venkata Charan and Mamidi, Radhika},
journal={Transactions on Asian and Low-Resource Language Information Processing}, publisher={ACM New York, NY} }

If you want to use the two classes (positive and negative) from the dataset, do cite the below reference:
@article{marreddy2022multi,
title={Multi-Task Text Classification using Graph Convolutional Networks for Large-Scale Low Resource Language},
author={Marreddy, Mounika and Oota, Subba Reddy and Vakada, Lakshmi Sireesha and Chinni, Venkata Charan and Mamidi, Radhika},
journal={arXiv preprint arXiv:2205.01204},
year={2022}
}

许可证：CC BY 4.0

使用本数据集时，请务必引用如下参考文献：
@article{marreddy2022resource, title={我是否属于资源匮乏语言？泰卢固语四类不同自然语言处理（Natural Language Processing，NLP）任务的数据集、词嵌入（Embeddings）、模型与分析}, author={Marreddy, Mounika and Oota, Subba Reddy and Vakada, Lakshmi Sireesha and Chinni, Venkata Charan and Mamidi, Radhika}, journal={《亚洲与低资源语言信息处理汇刊》}, publisher={美国计算机协会（ACM）纽约分社} }

若需使用本数据集中的正、负两类分类标签，请引用如下参考文献：
@article{marreddy2022multi, title={面向大规模低资源语言的图卷积网络（Graph Convolutional Networks，GCN）多任务文本分类}, author={Marreddy, Mounika and Oota, Subba Reddy and Vakada, Lakshmi Sireesha and Chinni, Venkata Charan and Mamidi, Radhika}, journal={arXiv预印本 arXiv:2205.01204}, year={2022} }

原始信息汇总

数据集引用信息

完整数据集引用

• 标题: Am I a Resource-Poor Language? Data Sets, Embeddings, Models and Analysis for four different NLP tasks in Telugu Language
• 作者: Marreddy, Mounika; Oota, Subba Reddy; Vakada, Lakshmi Sireesha; Chinni, Venkata Charan; Mamidi, Radhika
• 期刊: Transactions on Asian and Low-Resource Language Information Processing
• 出版社: ACM New York, NY

两类数据引用（正面和负面）

• 标题: Multi-Task Text Classification using Graph Convolutional Networks for Large-Scale Low Resource Language
• 作者: Marreddy, Mounika; Oota, Subba Reddy; Vakada, Lakshmi Sireesha; Chinni, Venkata Charan; Mamidi, Radhika
• 期刊: arXiv preprint arXiv:2205.01204
• 年份: 2022

搜集汇总

数据集介绍

构建方式

在自然语言处理领域，低资源语言的情感分析一直是研究中的难点与热点。Telugu_Sentiment数据集正是针对泰卢固语这一低资源语言的情感分析任务而构建的。该数据集由Marreddy等人通过系统性地收集和标注泰卢固语文本而成，涵盖了丰富的社交媒体与日常用语内容。构建过程中，研究者首先从多个公开来源采集原始语料，随后由母语者进行情感标签的标注，形成了包含正面、负面及中性类别的多层次情感数据集。此外，数据集还提供了仅含正面与负面两类的子集版本，以满足不同研究场景的需求，为低资源语言的情感分析研究提供了坚实的基础。

特点

该数据集的核心特点在于其针对泰卢固语这一低资源语言的专门化设计，填补了该语言情感分析资源的空白。数据集不仅包含了完整的三类情感标注（正面、负面、中性），还提供了两类的精简版本，灵活适配不同的模型训练任务。其标注工作由母语者完成，确保了标签的准确性和文化语境的贴合度。此外，数据集的构建遵循CC-BY-4.0许可协议，便于学术与工业界自由使用和扩展。这些特性使得Telugu_Sentiment数据集成为泰卢固语情感分析领域的重要基准资源，尤其适用于低资源场景下的迁移学习与多任务学习研究。

使用方法

使用Telugu_Sentiment数据集时，研究者可直接从Hugging Face平台加载数据，无需繁琐的预处理流程。数据集支持直接用于情感分类模型的训练与评估，用户可根据任务需求选择使用三类标签或两类标签的子集。在模型构建中，建议采用预训练语言模型（如mBERT或XLM-R）进行微调，以充分利用跨语言知识。此外，数据集还可与图卷积网络等前沿模型结合，用于多任务文本分类实验。引用时需依据使用场景选择对应的参考文献，以确保学术规范。

背景与挑战

背景概述

泰卢固语（Telugu）作为印度广泛使用的德拉维达语系语言之一，在全球范围内拥有超过八千万使用者，然而在自然语言处理领域，其资源匮乏的现状长期制约着相关研究的深入。由Mounika Marreddy、Subba Reddy Oota等研究人员联合创建的Telugu_Sentiment数据集，旨在填补这一空白，为泰卢固语的情感分析任务提供高质量的基础资源。该数据集于2022年正式发布，研究团队来自印度多所高校，核心研究问题聚焦于如何系统性地构建低资源语言的情感标注语料库，并验证其在下游任务中的有效性。通过提供细粒度的情感标签，该数据集不仅推动了泰卢固语情感计算的发展，也为其他低资源语言的自然语言处理研究提供了可借鉴的方法论范例，在亚洲及低资源语言信息处理领域产生了显著影响力。

当前挑战

泰卢固语情感分析面临的首要挑战在于领域内基础资源的极度稀缺，与英语等高资源语言相比，缺乏大规模、高质量且标注一致的情感语料库，导致模型训练和评估的可靠性受限。在数据集构建过程中，研究团队遇到了多重困难：泰卢固语的形态复杂性使得分词和词性标注难以自动化，情感标注标准需兼顾语言文化背景的差异性，同时还需应对标注者间一致性控制的难题。此外，由于泰卢固语在数字媒体中的使用常混合英语词汇（即代码混合现象），如何准确识别并处理这种语言混合带来的情感歧义，成为构建高质量数据集时必须攻克的另一技术壁垒。

常用场景

经典使用场景

Telugu_Sentiment数据集专为泰卢固语情感分析任务而设计，是低资源语言自然语言处理领域的重要资源。该数据集涵盖了从社交媒体、产品评论等多种来源收集的文本，标注了积极、消极及中性情感类别。研究者常将其用于训练和评估针对泰卢固语的文本分类模型，尤其是在缺乏大规模标注语料的背景下，该数据集填补了泰卢固语情感基准的空白，成为该语言情感分析研究的基石。

解决学术问题

该数据集的核心价值在于缓解低资源语言在情感分析任务中数据匮乏的困境。它使学术界能够系统性地探索泰卢固语的语义特征与情感表达模式，解决跨语言情感分析模型在资源贫瘠语言上泛化能力不足的问题。通过提供标准化的标注语料，该数据集推动了针对泰卢固语的词嵌入、图卷积网络等方法的实证研究，为低资源语言自然语言处理的理论发展提供了关键支撑。

衍生相关工作

基于该数据集，Marreddy等人提出了多任务文本分类框架，利用图卷积网络在大型低资源语言数据集上实现高效情感分析。后续研究进一步将其扩展至跨语言迁移学习场景，探索泰卢固语与英语等资源丰富语言之间的知识共享机制。此外，该数据集也催生了针对泰卢固语的预训练语言模型微调方法，推动了低资源语言情感分析技术的持续演进。