OFAI/omp

“One Million Posts”数据集是一个包含用户评论的标注数据集，这些评论来自奥地利报纸网站（德语）。数据集包含2015年6月1日至2016年5月31日期间的11,773条标注评论和1,000,000条未标注评论。标注由报纸的专业论坛版主完成。数据集包含每个帖子的ID、文章ID、标题、正文、用户ID、时间戳、父帖子、状态、正面投票数、负面投票数等信息。此外，数据集还包含每篇文章的ID、发布日期、主题路径、标题和正文。标注类别包括情感（负面/中性/正面）、离题、不当内容、歧视性内容、反馈、个人故事和使用的论据等。

原始信息汇总

数据集概述

名称: One Million Posts Corpus

语言: 德语

许可证: Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License

多语言性: 单语种

数据集大小: 10K<n<100K

源数据: 原始数据

任务类别: 文本分类

任务ID: 情感分类

数据集结构

数据实例

• posts_labeled: 包含40,567个标注实例，每个实例包括帖子ID、文章ID、用户ID、创建时间、状态、标题、正文、正投票数、负投票数及分类标签。
• posts_unlabeled: 包含1,000,000个未标注实例，每个实例包括帖子ID、文章ID、用户ID、创建时间、状态、标题、正文、正投票数、负投票数。
• articles: 包含12,087个文章实例，每个实例包括文章ID、发布日期、标题、正文。

数据字段

• ID_Post: 帖子ID
• ID_Parent_Post: 父帖子ID
• ID_Article: 文章ID
• ID_User: 用户ID
• Headline: 标题
• Body: 正文
• CreatedAt: 创建时间
• Status: 状态（在线或被删除）
• PositiveVotes: 正投票数
• NegativeVotes: 负投票数
• Category: 分类标签（如SentimentPositive, OffTopic等）
• Value: 分类值（0或1）
• Fold: 折叠编号（0-9）

数据分割

• posts_labeled: 训练集，40,567个实例
• posts_unlabeled: 训练集，1,000,000个实例
• articles: 训练集，12,087个实例

数据集创建

• 注释创建者: 专家生成
• 语言创建者: 众包
• 注释过程: 由专业论坛版主进行标注
• 个人和敏感信息: 用户名已重新映射为新的数字ID