md-nishat-008/SentMix-3L

SentMix-3L是一个用于情感分析的三语言（孟加拉语、英语和印地语）代码混合数据集。该数据集包含1,007个实例，专门作为测试集使用，因其独特性和专业性，数据收集和标注需要较高的专业知识。数据集提供了高质量的金标准标签，可作为该领域的基准。

原始信息汇总

SentMix-3L: A Bangla-English-Hindi Code-Mixed Dataset for Sentiment Analysis

📖 简介

SentMix-3L是一个针对情感分析的新型三语代码混合测试数据集，包含Bangla、English和Hindi三种语言的代码混合数据，共1,007个实例。该数据集仅作为测试集发布，因其任务的独特性和专业性，数据收集难度大，需要专业知识。

📊 数据集详情

SentMix-3L数据集包含1,007个实例，具有金标准标签，适用于情感分析任务。

📈 数据集统计

	All	Bangla	English	Hindi	Other
Tokens	89494	32133	5998	15131	36232
Types	19686	8167	1073	1474	9092
Max. in instance	173	62	20	47	93
Min. in instance	41	4	3	2	8
Avg	88.87	31.91	5.96	15.03	35.98
Std Dev	19.19	8.39	2.94	5.81	9.70

Avg行表示平均token数及其标准偏差。

📉 结果

Models	Weighted F1 Score
GPT 3.5 Turbo	0.62
XLM-R	0.59
BanglishBERT	0.56
mBERT	0.56
BERT	0.55
roBERTa	0.54
MuRIL	0.54
IndicBERT	0.53
DistilBERT	0.53
HindiBERT	0.48
HingBERT	0.47
BanglaBERT	0.47

不同模型的加权F1分数：在合成数据上训练，在自然数据上测试。

📝 引用

如使用该数据集，请引用我们的论文。

bibtex @article{raihan2023sentmix, title={SentMix-3L: A Bangla-English-Hindi Code-Mixed Dataset for Sentiment Analysis}, author={Raihan, Md Nishat and Goswami, Dhiman and Mahmud, Antara and Anstasopoulos, Antonios and Zampieri, Marcos}, journal={arXiv preprint arXiv:2310.18023}, year={2023} }