IMDb Large Movie Review-数据集

用于情感二元分类的数据集，其中包含 25,000 条用于训练的电影评论和 25,000 条用于测试的电影评论，这些电 影评论的特点是两极分化特别明显。另外数据集里也包含未标记的数据可供使用。

Unsupervised vector-based approaches to semantics can model rich lexical meanings, butthey largely fail to capture sentiment information that is central to many word meanings andimportant for a wide range of NLP tasks. Wepresent a model that uses a mix of unsupervised and supervised techniques to learn wordvectors capturing semantic term–document information as well as rich sentiment content.The proposed model can leverage both continuous and multi-dimensional sentiment information as well as non-sentiment annotations. We instantiate the model to utilize thedocument-level sentiment polarity annotationspresent in many online documents (e.g. starratings). We evaluate the model using small,widely used sentiment and subjectivity corpora and find it out-performs several previously introduced methods for sentiment classification. We also introduce a large datasetof movie reviews to serve as a more robustbenchmark for work in this area.

译：

无监督的基于向量的语义方法可以模拟丰富的词义，但它们基本上无法捕捉到情感信息，而情感信息是许多词义的核心，对大量的NLP任务都很重要。我们提出了一个模型，该模型综合使用无监督和有监督的技术来学习单词向量，它捕捉语义术语-文档信息和丰富的情感内容。这个该模型既可以利用连续的、多维的情感信息，又可以利用非情感标注。我们将模型实例化，以利用许多在线文档（例如星级评定）中的文档级情感极性注释。我们使用小型、广泛使用的情感和主观性语料库对该模型进行了评估，发现它执行了之前介绍的几种情感分类方法。我们还引入了一个大型的电影评论数据集，作为这方面工作的更可靠的基准。

只要自己有时间，都尽量写写文章，与大家交流分享。

​

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。