christinacdl/clickbait_detection_dataset

该数据集包含37,870条文本，分为17,850条非点击诱饵文本和20,020条点击诱饵文本。所有重复值已被移除。数据集使用sklearn进行分割，80%用于训练，20%用于临时测试（分层标签）。然后将测试集进一步分割为50%的测试和验证集（分层标签）。最终的数据集分割比例为80/10/10。训练集、验证集和测试集的标签分布也详细列出。数据集是从其他在线可用的数据集中组合而成的。

原始信息汇总

数据集概述

基本信息

• 许可证: Apache-2.0
• 语言: 英语
• 标签: clickbait, not, binary_classification
• 任务类别: text-classification

数据集规模

• 总文本数: 37,870
• 非点击诱饵文本数: 17,850
• 点击诱饵文本数: 20,020

数据处理

• 去重: 所有重复值已被移除
• 分割: 使用sklearn进行分割，80%训练集，20%临时测试集（按标签分层）。然后进一步将测试集按0.50%分为测试集和验证集（按标签分层）
• 分割比例: 80/10/10

标签分布

• 训练集:
  • 0 (非点击诱饵): 14,280
  • 1 (点击诱饵): 16,016
• 验证集:
  • 0 (非点击诱饵): 1,785
  • 1 (点击诱饵): 2,002
• 测试集:
  • 0 (非点击诱饵): 1,785
  • 1 (点击诱饵): 2,002

数据来源

• 数据集由以下在线可用数据集组合而成:
  • https://www.kaggle.com/datasets/amananandrai/clickbait-dataset
  • https://www.kaggle.com/datasets/thelazyaz/youtube-clickbait-classification?resource=download
  • https://www.kaggle.com/datasets/vikassingh1996/news-clickbait-dataset?select=train2.csv
  • https://www.kaggle.com/competitions/clickbait-news-detection/data?select=train.csv
  • https://www.kaggle.com/competitions/clickbait-news-detection/data?select=valid.csv
  • https://zenodo.org/records/6362726#.YsbdSTVBzrk