tweetfeels-1m6

TweetFeels 1m6是一个包含超过一百万条英文推文的数据集，这些推文是在2009年通过Twitter API收集的。每条推文根据表情符号自动标记了情感极性，分为负面、中性（稀疏）和正面。数据集以CSV格式提供，包括情感极性、推文ID、发布日期、搜索查询、用户屏幕名称和推文文本。

原始信息汇总

TweetFeels 1m6 数据集概述

数据集基本信息

• 许可证类型：ECL-2.0
• 任务类别：文本分类
• 支持语言：英语（en）
• 数据集标签：公共、文本、教育、情感分析
• 数据集规模：100万到1000万条样本之间（1M<n<10M）

数据内容与结构

数据集包含超过100万条2009年通过Twitter API收集的英文推文。每条推文带有通过表情符号自动推断的情感标签：0表示负面，4表示正面（原始版本还包含2表示中性，但该类别样本稀疏）。

数据以单个CSV文件形式分发，包含以下六个制表符分隔的字段：

• target：情感极性（0、2、4）
• ids：唯一推文ID
• date：发布时的UTC时间戳
• flag：匹配推文的搜索查询，或“NO_QUERY”
• user：发布账户的屏幕名称
• text：完整的推文文本，保留表情符号和URL

数据特点

• 标注方式：未进行人工标注，通过基于表情符号存在的远程监督分配标签
• 内容特征：涵盖多样化主题和Twitter典型的非正式语言模式
• 应用场景：作为大规模情感分析和社交媒体文本挖掘任务的标准基准数据集

数据来源

数据集可通过Kaggle—Sentiment140获取：https://www.kaggle.com/datasets/kazanova/sentiment140?resource=download

搜集汇总

数据集介绍

构建方式

在社交媒体情感分析领域，TweetFeels-1m6数据集通过远距离监督方法构建，利用2009年Twitter API采集的超过一百万条英文推文。每条推文的情感标签基于正负面表情符号自动推断：负面情感标记为0，正面情感标记为4，原始版本虽包含中性标签2但样本稀少。数据以CSV格式存储，包含情感极性、推文ID、时间戳、查询标记、用户名称及完整文本六个字段，未经过人工标注，完全依赖表情符号的分布式特征实现自动化标注。

特点

该数据集显著特点在于其大规模真实社交媒体文本覆盖，涵盖多样主题和非正式语言模式，完美保留了表情符号与URL等原始数字痕迹。情感标签体系采用经典的三分类框架，但中性类别样本稀缺，形成以极性和非极性情感为主的分布格局。时间戳和用户元数据为时序分析和用户行为研究提供可能，而基于查询标记的追踪机制则增强了数据来源的可解释性，使其成为社交媒体文本挖掘领域的标准基准数据集。

使用方法

研究者可加载CSV文件后直接提取文本字段与目标标签，用于训练情感分类模型或进行社交媒体语言模式分析。建议预处理阶段保留表情符号以维持远监督标签的可靠性，同时可利用时间戳字段进行纵向情感趋势研究。由于标签通过自动化方式生成，验证时应考虑采用人工标注子集评估模型泛化能力，并可结合用户字段开展跨用户情感表达差异性分析。

背景与挑战

背景概述

情感计算作为自然语言处理的重要分支，其发展在社交媒体时代获得显著推动。TweetFeels-1m6数据集由斯坦福大学研究人员于2009年通过Twitter API构建，旨在捕捉大规模社交媒体文本中的情感极性。该数据集采用远距离监督方法，通过表情符号自动标注情感标签，涵盖超过一百万条英文推文，为情感分析研究提供了宝贵的实证基础。其创新性在于利用社交媒体原生特征进行自动标注，显著降低了人工标注成本，推动了基于弱监督学习的文本情感分析范式发展，对计算社会科学和商业智能领域产生深远影响。

当前挑战

该数据集核心挑战在于解决社交媒体文本情感分类的复杂性，包括非正式语言表达、讽刺隐喻识别以及领域适应性等问题。构建过程中面临多重技术挑战：首先，基于表情符号的远距离监督标注存在噪声干扰，部分中性文本被错误归类；其次，2009年推特数据采集受API限制导致主题覆盖不均衡；最后，文本预处理过程中需要保留原始语言特征（如URL和表情符号）同时确保数据匿名化，这对大规模数据处理管道设计提出较高要求。

常用场景

经典使用场景

在社交媒体情感分析领域，TweetFeels-1m6数据集作为早期大规模标注语料，被广泛用于训练和评估情感分类模型。研究者常利用其百万级带情感标签的推文数据，探索文本情感极性自动判别的算法效果，尤其在监督学习框架下验证特征提取与分类器的性能表现。

衍生相关工作

该数据集催生了多项经典研究，包括基于深度学习的端到端情感分类模型创新，以及跨领域情感迁移学习方法的探索。后续工作还拓展了多模态情感分析，结合文本与表情符号特征构建混合模型，显著提升了社交媒体情感识别的准确性与鲁棒性。

数据集最近研究

最新研究方向

在社交媒体情感分析领域，TweetFeels-1m6数据集持续推动基于远程监督的自动标注技术研究，其以表情符号为标签依据的构建方法成为弱监督学习的重要范例。当前前沿工作聚焦于结合预训练语言模型如BERT和RoBERTa，提升对推特非正式文本中讽刺、多义表达的识别精度。该数据集与新兴的多模态情感分析相结合，研究者尝试整合文本与表情符号的联合表征，以应对社交媒体语境中情感表达的复杂性。近年来，该数据集还被用于探索跨领域情感迁移学习，以及在虚假信息检测、社会情绪追踪等热点事件中的应用，为 computational social science 提供了大规模历史语料支撑。