Datasets:

TIX007
/

chinese-sentiment

+# 中文情感数据集（Chinese Emotion Dataset）
+构建中文情感数据集，包含日常生活场景下的中文短文本情感标注。
 ---
+## 概述
+| 属性 | 详情 |
+|------|------|
+| 语言 | 中文（简体） |
+| 任务类型 | 文本分类（情感识别） |
+| 标签数量 | 6 种基本情感 |
+| 总样本数 | 20,000 条 |
+| 许可证 | MIT |
 ---
+## 数据规模
+| 划分 | 样本数 |
+|------|--------|
+| 训练集 (train) | 16,000 |
+| 验证集 (validation) | 2,000 |
+| 测试集 (test) | 2,000 |
+| **合计** | **20,000** |
+---
+## 情感标签
+| 标签 ID | 英文名 | 中文名 | 训练集占比 |
+|--------|--------|--------|-----------|
+| 0 | sadness | 悲伤 | 20% |
+| 1 | joy | 快乐 | 25% |
+| 2 | love | 爱 | 10% |
+| 3 | anger | 愤怒 | 12.5% |
+| 4 | fear | 恐惧 | 15% |
+| 5 | surprise | 惊讶 | 17.5% |
+---
+## 数据格式
+### 字段说明
+| 字段名 | 类型 | 说明 |
+|-------|------|------|
+| `text` | string | 中文短文本 |
+| `label` | int (0–5) | 情感类别编号 |
+| `label_name` | string | 英文情感标签名 |
+| `label_cn` | string | 中文情感标签名 |
+### 示例数据
+```json
+{"text": "今天的心情好极了，整个人都充满了活力", "label": 1, "label_name": "joy", "label_cn": "快乐"}
+{"text": "眼泪悄悄滑落，却没有人在身旁安慰", "label": 0, "label_name": "sadness", "label_cn": "悲伤"}
+{"text": "每次看到你，我的心就变得很柔软", "label": 2, "label_name": "love", "label_cn": "爱"}
+{"text": "简直无法理解这种行为，太令人气愤了", "label": 3, "label_name": "anger", "label_cn": "愤怒"}
+{"text": "一想到那种情景，就浑身发抖", "label": 4, "label_name": "fear", "label_cn": "恐惧"}
+{"text": "这个消息真的把我惊呆了，半天没回过神来", "label": 5, "label_name": "surprise", "label_cn": "惊讶"}
+```
+---
+## 文件结构
+```
+data/
+├── train.csv        # 训练集（CSV格式）
+├── train.jsonl      # 训练集（JSONL格式，每行一条）
+├── train.json       # 训练集（JSON数组格式）
+├── validation.csv   # 验证集（CSV格式）
+├── validation.jsonl # 验证集（JSONL格式）
+├── validation.json  # 验证集（JSON数组格式）
+├── test.csv         # 测试集（CSV格式）
+├── test.jsonl       # 测试集（JSONL格式）
+└── test.json        # 测试集（JSON数组格式）
+```
+---
+## 数据加载示例
+### Python（直接读取）
+```python
+import json
+# 读取训练集（JSONL格式）
+train_data = []
+with open("data/train.jsonl", "r", encoding="utf-8") as f:
+    for line in f:
+        train_data.append(json.loads(line))
+print(train_data[0])
+# {'text': '...', 'label': 1, 'label_name': 'joy', 'label_cn': '快乐'}
+```
+### Pandas
+```python
+import pandas as pd
+train_df = pd.read_csv("data/train.csv", encoding="utf-8-sig")
+print(train_df.head())
+print(train_df["label_cn"].value_counts())
+```
+### Hugging Face datasets（自定义加载）
+```python
+from datasets import load_dataset
+dataset = load_dataset(
+    "csv",
+    data_files={
+        "train": "data/train.csv",
+        "validation": "data/validation.csv",
+        "test": "data/test.csv",
+    }
+)
+print(dataset)
+```
+---
+## 数据生成方式
+- 为每种情感类别人工编写 **100 条以上** 代表性模板句子，覆盖日常生活、社交、情感表达等场景
+- 通过添加时间状语前缀（今天、昨天、刚才…）和语气后缀进行**多样化扩增**
+- 使用固定随机种子（`seed=42`）保证**可复现性**
+- 数据分布参照 dair-ai/emotion 原始比例设计
+---
+## 局限性
+- 文本来源于模板扩增，风格较为统一，缺乏真实社交媒体的多样性
+- 适合作为**预训练微调**或**快速验证**，不建议直接用于商业生产
+- 类别分布不均衡，训练时建议使用加权损失函数
+---
+## 引用
+若本数据集对您有帮助，欢迎参考以下格式引用原始数据集：
+```bibtex
+@inproceedings{saravia-etal-2018-carer,
+    title = "{CARER}: Contextualized Affect Representations for Emotion Recognition",
+    author = "Saravia, Elvis  and Liu, Hsien-Chi Toby  and Huang, Yen-Hao  and Wu, Junlin  and Chen, Yi-Shin",
+    booktitle = "Proceedings of the 2018 Conference on EMNLP",
+    year = "2018",
+}
+```

data/test.csv ADDED Viewed