xcz0/Aspect-Based_Sentiment_Analysis_for_Catering
说明 数据集来源于AI Challenger 2018 sentiment_analysis_trainingset.csv 为训练集数据文件，共105000条评论数据 sentiment_analysis_validationset.csv 为验证集数据文件，共15000条评论数据 sentiment_analysis_testa.csv 为测试集A数据文件，共15000条评论数据 数据集分为训练、验证、测试A与测试B四部分。数据集中的评价对象按照粒度不同划分为两个层次，层次一为粗粒度的评价对象，例如评论文本中涉及的服务、位置等要素；层次二为细粒度的情感对象，例如“服务”属性中的“服务人员态度”、“排队等候时间”等细粒度要素。评价对象的具体划分如下表所示。 The dataset is divided into four parts: training, validation, test A and test B. This dataset builds a two-layer labeling system according to the… See the full description on the dataset page: https://huggingface.co/datasets/xcz0/Aspect-Based_Sentiment_Analysis_for_Catering.
说明
数据集来源于AI Challenger 2018
sentimentanalysistrainingset.csv 为训练集数据文件，共105000条评论数据 sentimentanalysisvalidationset.csv 为验证集数据文件，共15000条评论数据 sentimentanalysistesta.csv 为测试集A数据文件，共15000条评论数据
数据集分为训练、验证、测试A与测试B四部分。数据集中的评价对象按照粒度不同划分为两个层次，层次一为粗粒度的评价对象，例如评论文本中涉及的服务、位置等要素；层次二为细粒度的情感对象，例如“服务”属性中的“服务人员态度”、“排队等候时间”等细粒度要素。评价对象的具体划分如下表所示。
The dataset is divided into four parts: training, validation, test A and test B. This dataset builds a two-layer labeling system according to the evaluation granularity: the first layer is the coarse-grained evaluation object, such as “service” and “location”; the second layer is the fine-grained emotion object, such as “waiter’s attitude” and “wait time” in “service” category. The specific description is shown in the following table.
每个细粒度要素的情感倾向有四种状态：正向、中性、负向、未提及。使用[1,0,-1,-2]四个值对情感倾向进行描述，情感倾向值及其含义对照表如下所示：
There are four sentimental types for every fine-grained element: Positive, Neutral, Negative and Not mentioned, which are labelled as 1, 0, -1 and-2. The meaning of these four labels are listed below.
数据标注示例如下： An example of one labelled review:
味道不错的面馆，性价比也相当之高，分量很足~女生吃小份，胃口小的，可能吃不完呢,。环境在面馆来说算是好的，至少看上去堂子很亮，也比较干净，一般苍蝇馆子还是比不上这个卫生状况的。中午饭点的时候，人很多，人行道上也是要坐满的，隔壁的冒菜馆子，据说是一家，有时候也会开放出来坐吃面的人。