|
|
--- |
|
|
license: apache-2.0 |
|
|
task_categories: |
|
|
- text-classification |
|
|
- image-classification |
|
|
- text-generation |
|
|
language: |
|
|
- en |
|
|
tags: |
|
|
- SocialMedia |
|
|
pretty_name: SoMeData |
|
|
size_categories: |
|
|
- 100K<n<1M |
|
|
--- |
|
|
# README for SoMeData |
|
|
This is the official dataset of the ACL 2024 paper [SoMeLVLM: A Large Vision Language Model for Social Media Processing](https://somelvlm.github.io/). |
|
|
|
|
|
### Important Notice |
|
|
|
|
|
Before using data in SoMeData, you agree that the use of the data is only restricted to research or education purposes and that all copyright and license restrictions associated with the dataset/code will be followed. |
|
|
|
|
|
If you find our dataset useful, we would greatly appreciate it if you could consider citing our paper: |
|
|
|
|
|
```tex |
|
|
@inproceedings{zhang-etal-2024-somelvlm, |
|
|
title = "{S}o{M}e{LVLM}: A Large Vision Language Model for Social Media Processing", |
|
|
author = "Zhang, Xinnong and |
|
|
Kuang, Haoyu and |
|
|
Mou, Xinyi and |
|
|
Lyu, Hanjia and |
|
|
Wu, Kun and |
|
|
Chen, Siming and |
|
|
Luo, Jiebo and |
|
|
Huang, Xuanjing and |
|
|
Wei, Zhongyu", |
|
|
editor = "Ku, Lun-Wei and |
|
|
Martins, Andre and |
|
|
Srikumar, Vivek", |
|
|
booktitle = "Findings of the Association for Computational Linguistics ACL 2024", |
|
|
month = aug, |
|
|
year = "2024", |
|
|
address = "Bangkok, Thailand and virtual meeting", |
|
|
publisher = "Association for Computational Linguistics", |
|
|
url = "https://aclanthology.org/2024.findings-acl.140", |
|
|
doi = "10.18653/v1/2024.findings-acl.140", |
|
|
pages = "2366--2389", |
|
|
} |
|
|
``` |
|
|
|
|
|
Please cite the authors of the original open datasets as well. |
|
|
|
|
|
**All rights reserved and secondary propagation is not allowed.** |
|
|
|
|
|
### Usage Info |
|
|
|
|
|
- Images of all the datasets (including open-source and self-collected) are gathered in `img.zip` for your convenience. |
|
|
- `finetuning-distribution` gathered all datasets together for training. If you want to use part of these datasets, please refer to the `task-level-distribution` |
|
|
|
|
|
### File Structure |
|
|
|
|
|
``` |
|
|
. |
|
|
├── README for SoMeData.md |
|
|
├── multimodal |
|
|
│ ├── finetuning_distribution |
|
|
│ │ ├── eval_new_id.json |
|
|
│ │ ├── testsets |
|
|
│ │ │ ├── 4chans_test.json |
|
|
│ │ │ ├── 4chans_test_g.json |
|
|
│ │ │ ├── FakeNewsNet_test.json |
|
|
│ │ │ ├── FakeNewsNet_test_g.json |
|
|
│ │ │ ├── HatefulMemes_test.json |
|
|
│ │ │ ├── HatefulMemes_test_g.json |
|
|
│ │ │ ├── MMHS_test.json |
|
|
│ │ │ ├── MMHS_test_g.json |
|
|
│ │ │ ├── MVSA_Multiple_test.json |
|
|
│ │ │ ├── MVSA_Multiple_test_g.json |
|
|
│ │ │ ├── MVSA_Single_test.json |
|
|
│ │ │ ├── MVSA_Single_test_g.json |
|
|
│ │ │ ├── MVSA_Single_test_id.json |
|
|
│ │ │ ├── PAN_test.json |
|
|
│ │ │ ├── PAN_test_g.json |
|
|
│ │ │ ├── TumEmo_test.json |
|
|
│ │ │ ├── TumEmo_test_g.json |
|
|
│ │ │ ├── Tweet_cele_test.json |
|
|
│ │ │ ├── Tweet_cele_test_g.json |
|
|
│ │ │ ├── Tweet_leg_test.json |
|
|
│ │ │ ├── Tweet_leg_test_g.json |
|
|
│ │ │ ├── domain_explain_test.json |
|
|
│ │ │ ├── hashtag_choice_test.json |
|
|
│ │ │ ├── hashtag_gen_test.json |
|
|
│ │ │ └── personality_explain_test.json |
|
|
│ │ ├── testsets_OOD |
|
|
│ │ │ ├── domain_explain_ood.json |
|
|
│ │ │ ├── hashtag_choice_ood.json |
|
|
│ │ │ ├── hashtag_gen_ood.json |
|
|
│ │ │ └── personality_explain_ood.json |
|
|
│ │ └── train_new_id.json |
|
|
│ ├── img.zip |
|
|
│ └── task_level_distribution |
|
|
│ ├── 4chans |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── eval_g.json |
|
|
│ │ ├── test.json |
|
|
│ │ ├── test_g.json |
|
|
│ │ ├── train.json |
|
|
│ │ └── train_g.json |
|
|
│ ├── FakeNewsNet |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── eval_g.json |
|
|
│ │ ├── test.json |
|
|
│ │ ├── test_g.json |
|
|
│ │ ├── train.json |
|
|
│ │ └── train_g.json |
|
|
│ ├── HatefulMemes |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── eval_g.json |
|
|
│ │ ├── test.json |
|
|
│ │ ├── test_g.json |
|
|
│ │ ├── train.json |
|
|
│ │ └── train_g.json |
|
|
│ ├── MMHS |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── eval_g.json |
|
|
│ │ ├── test.json |
|
|
│ │ ├── test_g.json |
|
|
│ │ ├── train.json |
|
|
│ │ └── train_g.json |
|
|
│ ├── MVSA_Multiple |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── eval_g.json |
|
|
│ │ ├── test.json |
|
|
│ │ ├── test_g.json |
|
|
│ │ ├── train.json |
|
|
│ │ └── train_g.json |
|
|
│ ├── MVSA_Single |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── eval_g.json |
|
|
│ │ ├── test.json |
|
|
│ │ ├── test_g.json |
|
|
│ │ ├── train.json |
|
|
│ │ └── train_g.json |
|
|
│ ├── PAN |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── eval_g.json |
|
|
│ │ ├── test.json |
|
|
│ │ ├── test_g.json |
|
|
│ │ ├── train.json |
|
|
│ │ └── train_g.json |
|
|
│ ├── TumEmo |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── eval_g.json |
|
|
│ │ ├── test.json |
|
|
│ │ ├── test_g.json |
|
|
│ │ ├── train.json |
|
|
│ │ └── train_g.json |
|
|
│ ├── Tweet_cele |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── eval_g.json |
|
|
│ │ ├── test.json |
|
|
│ │ ├── test_g.json |
|
|
│ │ ├── train.json |
|
|
│ │ └── train_g.json |
|
|
│ ├── Tweet_leg |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── eval_g.json |
|
|
│ │ ├── test.json |
|
|
│ │ ├── test_g.json |
|
|
│ │ ├── train.json |
|
|
│ │ └── train_g.json |
|
|
│ ├── domain_explain |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── test.json |
|
|
│ │ └── train.json |
|
|
│ ├── hashtag_choice |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── test.json |
|
|
│ │ └── train.json |
|
|
│ ├── hashtag_gen |
|
|
│ │ ├── eval.json |
|
|
│ │ ├── test.json |
|
|
│ │ └── train.json |
|
|
│ └── personality_explain |
|
|
│ ├── eval.json |
|
|
│ ├── test.json |
|
|
│ └── train.json |
|
|
└── plain text |
|
|
├── depolarize |
|
|
│ ├── ibc.json |
|
|
│ └── media_ideology.json |
|
|
├── detoxify |
|
|
│ ├── contextual-abuse#IdentityDirectedAbuse.json |
|
|
│ ├── contextual-abuse#PersonDirectedAbuse.json |
|
|
│ ├── implicit-hate#explicit_hate.json |
|
|
│ ├── implicit-hate#implicit_hate.json |
|
|
│ ├── jigsaw#identity_hate.json |
|
|
│ ├── jigsaw#insult.json |
|
|
│ ├── jigsaw#obscene.json |
|
|
│ ├── jigsaw#severe_toxic.json |
|
|
│ ├── jigsaw#threat.json |
|
|
│ ├── jigsaw#toxic.json |
|
|
│ ├── jigsaw#toxic.jsonl |
|
|
│ ├── tweet_offensive.json |
|
|
│ └── tweet_offensive.jsonl |
|
|
├── emotion |
|
|
│ ├── css_six_emotions.json |
|
|
│ ├── css_six_emotions_cls.json |
|
|
│ ├── sentiment140_cls.json |
|
|
│ ├── simplifyweibo_4_moods.json |
|
|
│ ├── twitter_emotion.json |
|
|
│ ├── twitter_emotion.jsonl |
|
|
│ ├── twitter_emotion_cls.json |
|
|
│ ├── twitter_emotion_cls.jsonl |
|
|
│ └── twitter_emotion_cls_sample.json |
|
|
├── figurative |
|
|
│ ├── FLUTE.json |
|
|
│ ├── sar.json |
|
|
│ ├── sarc_cls.json |
|
|
│ ├── sarc_cls.jsonl |
|
|
│ ├── tweet_irony.json |
|
|
│ ├── tweet_irony.jsonl |
|
|
│ ├── tweet_irony_cls.json |
|
|
│ ├── tweet_ironybackup_cls.json |
|
|
│ └── tweet_ironybackup_cls.jsonl |
|
|
├── humor |
|
|
│ ├── hahackathon#is_humor.json |
|
|
│ ├── hahackathon#is_humor.jsonl |
|
|
│ ├── hahackathon#is_humor_cls.json |
|
|
│ ├── hahackathon#is_humor_cls.jsonl |
|
|
│ ├── hahackathon#is_humorbackup_cls.json |
|
|
│ ├── hahackathon#is_humorbackup_cls.jsonl |
|
|
│ ├── humor-pairs.json |
|
|
│ ├── puns_cls.json |
|
|
│ ├── puns_cls.jsonl |
|
|
│ ├── reddit_humor.json |
|
|
│ ├── reddit_jokes_cls.json |
|
|
│ ├── reddit_jokes_cls.jsonl |
|
|
│ ├── short_jokes_cls.json |
|
|
│ └── short_jokes_cls.jsonl |
|
|
├── ideology |
|
|
│ ├── biden_stance_test_public.json |
|
|
│ ├── biden_stance_train_public.json |
|
|
│ ├── ibc.json |
|
|
│ ├── ibc.jsonl |
|
|
│ ├── ibc_cls.json |
|
|
│ ├── ibc_cls.jsonl |
|
|
│ ├── media_ideology.json |
|
|
│ ├── media_ideology_cls.json |
|
|
│ ├── trump_stance_test_public.json |
|
|
│ ├── trump_stance_train_public.json |
|
|
│ └── vast.json |
|
|
├── invert |
|
|
│ └── semeval.json |
|
|
├── misinformation |
|
|
│ ├── misinfo_cancer.json |
|
|
│ ├── misinfo_climate.json |
|
|
│ └── mrf_headlines.json |
|
|
├── offensiveness |
|
|
│ ├── contextual-abuse#IdentityDirectedAbuse.json |
|
|
│ ├── contextual-abuse#PersonDirectedAbuse.json |
|
|
│ ├── implicit-hate#explicit_hate.json |
|
|
│ ├── implicit-hate#implicit_hate.json |
|
|
│ ├── intentyn_cls.json |
|
|
│ ├── intentyn_cls_sample.json |
|
|
│ ├── jigsaw#identity_hate.json |
|
|
│ ├── jigsaw#insult.json |
|
|
│ ├── jigsaw#obscene.json |
|
|
│ ├── jigsaw#severe_toxic.json |
|
|
│ ├── jigsaw#threat.json |
|
|
│ ├── jigsaw.json |
|
|
│ ├── latent_hatred.json |
|
|
│ ├── latent_hatred_cls.json |
|
|
│ ├── tweet_offensive.json |
|
|
│ ├── tweet_offensive.jsonl |
|
|
│ ├── tweet_offensive_cls.json |
|
|
│ └── tweet_offensive_cls.jsonl |
|
|
├── reverse |
|
|
│ ├── ibc.json |
|
|
│ └── media_ideology.json |
|
|
├── sample |
|
|
│ ├── depolarize |
|
|
│ │ ├── ibc_sample.json |
|
|
│ │ └── media_ideology_sample.json |
|
|
│ ├── detoxify |
|
|
│ │ ├── contextual-abuse#IdentityDirectedAbuse_sample.json |
|
|
│ │ ├── contextual-abuse#PersonDirectedAbuse_sample.json |
|
|
│ │ ├── implicit-hate#explicit_hate_sample.json |
|
|
│ │ ├── implicit-hate#implicit_hate_sample.json |
|
|
│ │ ├── jigsaw#identity_hate_sample.json |
|
|
│ │ ├── jigsaw#insult_sample.json |
|
|
│ │ ├── jigsaw#obscene_sample.json |
|
|
│ │ ├── jigsaw#severe_toxic_sample.json |
|
|
│ │ ├── jigsaw#threat_sample.json |
|
|
│ │ ├── jigsaw#toxic_sample.json |
|
|
│ │ └── tweet_offensive_sample.json |
|
|
│ ├── emotion |
|
|
│ │ ├── css_six_emotions_sample.json |
|
|
│ │ └── simplifyweibo_4_moods_sample.json |
|
|
│ ├── figurative |
|
|
│ │ ├── sar_sample.json |
|
|
│ │ └── tweet_irony_sample.json |
|
|
│ ├── humor |
|
|
│ │ ├── hahackathon#is_humor_sample.json |
|
|
│ │ └── humor-pairs_sample.json |
|
|
│ ├── ideology |
|
|
│ │ ├── ibc_sample.json |
|
|
│ │ └── media_ideology_sample.json |
|
|
│ ├── misinformation |
|
|
│ │ └── mrf_headlines_sample.json |
|
|
│ ├── offensiveness |
|
|
│ │ ├── contextual-abuse#IdentityDirectedAbuse_sample.json |
|
|
│ │ ├── contextual-abuse#PersonDirectedAbuse_sample.json |
|
|
│ │ ├── implicit-hate#explicit_hate_sample.json |
|
|
│ │ ├── implicit-hate#implicit_hate_sample.json |
|
|
│ │ ├── jigsaw#identity_hate_sample.json |
|
|
│ │ ├── jigsaw#insult_sample.json |
|
|
│ │ ├── jigsaw#obscene_sample.json |
|
|
│ │ ├── jigsaw#severe_toxic_sample.json |
|
|
│ │ ├── jigsaw#threat_sample.json |
|
|
│ │ ├── latent_hatred_sample.json |
|
|
│ │ └── tweet_offensive_sample.json |
|
|
│ ├── reverse |
|
|
│ │ ├── ibc_sample.json |
|
|
│ │ └── media_ideology_sample.json |
|
|
│ └── truthworthiness |
|
|
│ ├── neutralizing-bias-pairs_sample.json |
|
|
│ └── rumor#rumor_bool_sample.json |
|
|
├── socialfactors |
|
|
│ ├── complaints_cls.json |
|
|
│ ├── complaints_cls.jsonl |
|
|
│ ├── empathy#empathy_bin_cls.json |
|
|
│ ├── empathy#empathy_bin_cls.jsonl |
|
|
│ ├── hayati_politeness_cls.json |
|
|
│ ├── questionintimacy_cls.json |
|
|
│ ├── stanfordpoliteness_cls.json |
|
|
│ └── stanfordpoliteness_cls.jsonl |
|
|
└── truthworthiness |
|
|
├── hypo-l_cls.json |
|
|
├── neutralizing-bias-pairs.json |
|
|
├── rumor#rumor_bool.json |
|
|
├── two-to-lie#sender_truth_cls.json |
|
|
└── two-to-lie#sender_truth_cls.jsonl |
|
|
``` |
