community-datasets/per_sent

PerSenT数据集是一个用于情感分类的英文数据集，主要关注新闻文章中作者对主要实体的情感倾向。数据集包含5.3k文档和38k段落的标注，覆盖3.2k个独特实体。每个文档和段落都有情感标签（正面、中性、负面）。数据集的结构包括文档索引、标题、目标实体、文档内容、掩码文档、真实情感以及每个段落的情感标签。数据集分为训练集、验证集和两个测试集，确保每个实体只出现在一个集合中。数据集的创建过程包括从MPQA、KBP Challenge和Media Rank等来源选择文章，并通过Amazon Mechanical Turk进行标注。

原始信息汇总

数据集概述

基本信息

• 数据集名称: PerSenT
• 语言: 英语
• 数据集大小: 1K<n<10K
• 任务类别: 文本分类
• 任务ID: 情感分类
• 许可证: 未知

数据集结构

特征字段

• DOCUMENT_INDEX: 文档索引，数据类型为int64
• TITLE: 文章标题，数据类型为string
• TARGET_ENTITY: 目标实体，数据类型为string
• DOCUMENT: 文章文本，数据类型为string
• MASKED_DOCUMENT: 目标实体被掩码的文章文本，数据类型为string
• TRUE_SENTIMENT: 整个文档的情感标签，数据类型为class_label，包含三个类别：Negative, Neutral, Positive
• Paragraph{0..15}: 每个段落的情感标签，数据类型为class_label，包含三个类别：Negative, Neutral, Positive

数据分割

• train: 3355个样本，14595163字节
• test_random: 579个样本，2629500字节
• test_fixed: 827个样本，3881800字节
• validation: 578个样本，2322922字节

数据集创建

数据来源

• MPQA: 包含手动标注的新闻文章，用于意见、信念、情感、情绪、推测等。
• KBP Challenge: 包含TAC 2014 KBP英语情感槽填充挑战数据集。
• Media Rank: 用于对约50k新闻源进行排名，并用于对新闻文章的政治意识形态进行分类。

预处理步骤

• 使用Stanford NER和共指消解技术识别文章中的人物实体。
• 移除不符合条件的文章，如提及最频繁人物实体少于三次的文章。
• 过滤掉过长或过短的文章，保留至少有3个段落且最多有16个段落的文章。

标注过程

• 使用Amazon Mechanical Turk进行文档和段落级别的标注。
• 标注者首先验证目标实体是否为文档的主要实体，然后对包含目标实体提及或引用的每个段落进行评分。
• 最后，标注者根据整个文档对实体的情感进行评分，评分类别为Negative, Neutral, Positive。

许可证

• 许可证信息: Creative Commons Attribution 4.0 International License

引用信息

@inproceedings{bastan2020authors, title={Authors Sentiment Prediction}, author={Mohaddeseh Bastan and Mahnaz Koupaee and Youngseo Son and Richard Sicoli and Niranjan Balasubramanian}, year={2020}, eprint={2011.06128}, archivePrefix={arXiv}, primaryClass={cs.CL} }