用于讽刺检测的新闻标题数据集 - 资源下载

0 有用

11 下载

用于讽刺检测的新闻标题数据集

文件列表（压缩包大小 3.30M)

免费

概述

以前在Sarcasm Detection中进行的研究大多使用Twitter数据集，该数据集是基于基于标签的监督收集的，但是这些数据集在标签和语言方面都很复杂。此外，许多推文都是对其他推文的答复，而在这些推文中检测嘲讽需要联系上下文。

为了克服与Twitter数据集中的噪音相关的限制，此Sarsarm Detection的News Headlines数据集是从两个新闻网站收集的。TheOnion旨在形成时事的讽刺版本，我们从“简讯”和“新闻图片”类别（讽刺）中收集了所有头条新闻。我们从HuffPost收集真实（而非讽刺）的新闻头条。

与现有的Twitter数据集相比，此新数据集具有以下优点：

由于新闻头条是由专业人员以正式方式撰写的，因此没有拼写错误和非正式使用。这减少了稀疏性，并且还增加了找到预训练的嵌入的机会。

此外，由于TheOnion的唯一目的是发布讽刺新闻，因此与Twitter数据集相比，我们获得的高质量标签的噪音要少得多。

与回复其他推文的推文不同，我们获得的新闻标题是独立的。这将有助于我们挑逗真正的讽刺元素。

每个记录包含三个属性：

is_sarcastic：如果记录是讽刺的，则为1，否则为0

headline：新闻文章的标题

article_link：链接到原始新闻文章。有助于收集补充数据

数据的一般统计信息，有关如何使用python读取数据的说明以及基本的探索性分析可在此GitHub存储库中找到。可以在此GitHub存储库中找到在此数据集上受训的混合NN体系结构。