Large Movie Review Dataset v1.0-优快云博客

大型电影评论数据集v1.0

Large Movie Review Dataset v1.0大型电影评论数据集v1.0

数据集下载地址
数据集介绍译文
原文

数据集下载地址：http://ai.stanford.edu/~amaas/data/sentiment/

1. Overview（概述）

此数据集包含电影评论及其关联的二进制情绪极性标签。它旨在作为情绪分类的基准。本文档概述了如何收集数据集，以及如何使用提供的文件。

2. Dataset （数据集）

核心数据集包含50,000个评论，均匀分为25k训练集和25k测试集。标签的整体分布是平衡的（25k pos和25k neg）。我们还包括另外50,000个未标记文档，用于无监督学习。在整个系列中，任何给定的电影都不允许超过30条评论，因为对同一部电影的评论往往具有相关评级。此外，训练集和测试集包含一组不相交的电影，因此通过记忆电影唯一的术语及其与观察到的标签相关联，不会获得显着的性能。在标记的训练/测试集中，负面评论的评分<= 4分，正评价的分数> = 7分（满分10分）。因此，评分更中性的评分不包括在训练/测试集中。在无监督的集合中，包括任何评级的评论，并且偶数个评论> 5且<= 5。

3. Files

有两个顶级目录[train /，test /]对应于训练和测试集。每个包含用于评论的[pos /，neg /]目录，其中二进制标签为正数和负数。在这些目录中，评论存储在按照惯例[[id] _ [评级] .txt]命名的文本文件中，其中[id]是唯一ID，[rating]是1-10评级的评论的星级评定。例如，文件[test / pos / 200_8.txt]是来自IMDb的具有唯一ID 200和星级8/10的正标记测试集示例的文本。 [train / unsup /]目录的所有评级都为0，因为这部分数据集的省略了评级。

我们在单独的[urls_ [pos，neg，unsup] .txt]文件中包含每个评论的IMDb URL。具有唯一ID 200的评论将在该文件的第200行上具有其URL。由于IMDb不断变化，我们无法直接链接到评论，只能链接到电影的评论页面。

除了评论文本文件，我们还包括在我们的实验中使用的已经标记化的词袋（BoW）功能。它们存储在train / test目录中的.feat文件中。每个.feat文件都是LIBSVM格式，标记数据的ascii稀疏矢量格式。这些文件中的特征索引从0开始，并且在[imdb.voca