情感标记的句子数据集使用深度特征从组到单个标签，Kotzias等。

情感标注句子数据集观点挖掘（有时称为情感分析或情感AI）是指使用自然语言处理，文本分析，计算语言学和生物识别技术来系统地识别，提取，量化和研究情感状态和主观信息。

内容

此数据集是为Kotzias等人的论文“使用深度特征从组到单个标签”创建的。等等 2015年KDD

它包含标有正面或负面情绪的句子。

格式：

句子分数

细节：

分数是1（正面）或0（负面）。
这些句子来自三个不同的网站/领域：

imdb.com
amazon.com
yelp.com

每个网站都有500个肯定的句子和500个否定的句子。这些是随机选择的，用于较大的评论数据集。
我们试图选择具有明显正负含义的句子，目的是不选择中性句子。

亚马逊：包含在amazon.com上手机和配件类别中出售的产品的评论和评分，
并且是McAuley和Leskovec收集的数据集的一部分。分数在1到5的整数范围内。我们认为评分为4和5的评论为肯定，而得分为1和2的评论为否。我们将数据随机分为两半，分别为50％，用于训练和用于测试，每组中有35,000个文档。

IMDb：指最初由Maas等人引入的IMDb电影评论情感数据集。作为
情感分析的基准。此数据集包含在imdb.com上发布的总共100,000条电影评论。有50,000
条未标记的评论，其余的50,000条分为25,000条用于培训的评论和25,000条用于
测试的评论。每个带有标签的评论都有一个正面或负面的二进制情感标签。在我们的实验中，我们
仅在训练集中的标记部分进行训练。

Yelp：指从Yelp数据集挑战中提取的餐厅评论数据集。分数
是从1到5的一个整数范围。我们再次认为评分4和5为正面，而1和2为
负面的评论。我们随机生成了50-50个培训和测试
组，每组大约生成了300,000个文档。句子：对于上述每个数据集，我们从测试集中提取并手动标记了1000个句子，其中正面情绪为50％，负面情绪为50％。这些语句仅用于评估
每个数据集的实例级分类3。它们不用于模型训练，以保持与我们在
小组级别学习和在实例级别进行预测的总体目标一致。