jhan21/amazon-beauty-reviews-cleaned

该数据集包含了评分、标题、文本内容、索引、情感和情感文本等字段。它被划分为一个训练集，共有694174个样本，数据集总大小为165901474字节。The dataset includes fields such as ratings, titles, text content, indexes, sentiment, and sentiment text. It is divided into a training set with a total of 694174 samples, with a total dataset size of 165901474 bytes.

搜集汇总

数据集介绍

构建方式

在电子商务与自然语言处理交叉领域，情感分析任务对高质量标注数据的需求日益迫切。jhan21/amazon-beauty-reviews-cleaned数据集源自亚马逊美妆产品评论，经过系统化的清洗与增强处理。原始评论数据被转化为包含评分（rating）、标题（title）、评论文本（text）等核心字段的结构化格式，并基于评分阈值自动生成二元情感标签（sentiment）及其文本描述（sentiment_text）。数据集仅包含一个训练分割（train），共计694,174条样本，以Parquet格式存储于data/train-*路径下，确保了数据加载的高效性与存储的紧凑性。

特点

该数据集最显著的特征在于其简洁而完备的字段设计。除了保留原始的评分与评论文本外，额外引入的sentiment字段将1-5分的评分映射为积极（1）与消极（0）两类，极大地简化了情感二分类任务的标签获取流程。同时，sentiment_text字段以自然语言形式呈现情感倾向，便于多模态或解释性模型的训练。数据集规模适中，近70万条样本足以支撑深度学习模型的训练需求，且聚焦于美妆这一垂直领域，为领域适配的情感分析研究提供了精准的数据基础。

使用方法

使用该数据集时，可通过HuggingFace Datasets库直接加载。用户仅需执行`load_dataset("jhan21/amazon-beauty-reviews-cleaned")`命令，即可自动获取训练分割的全部样本。加载后的数据集可直接用于训练情感分类模型，以text或title作为输入特征，sentiment作为目标标签。此外，rating字段可用于细粒度情感分析或回归任务，而__index_level_0__字段则保留了原始索引信息，便于数据溯源与交叉验证。数据集无需额外预处理，即开即用，适合快速搭建情感分析基线模型。

背景与挑战

背景概述

在电子商务迅猛发展的时代，用户生成内容中的评论数据成为理解消费者行为与产品感知的关键资源。由jhan21于2023年创建的Amazon Beauty Reviews Cleaned数据集，聚焦于亚马逊美妆产品领域的用户评价，经过清洗与情感标注，为自然语言处理与情感分析研究提供了高质量的语料基础。该数据集涵盖近70万条训练样本，每条记录包含评分、标题、评论文本及情感标签，旨在支持细粒度的产品评论情感分类任务。作为电商评论分析的重要基准，它推动了从非结构化文本中提取消费者态度的研究进展，对推荐系统、市场情报及用户满意度建模等领域产生了显著影响。

当前挑战

该数据集所解决的领域问题在于美妆产品评论中情感表达的高度主观性与领域特异性，例如用户对香氛、质地等抽象属性的评价常隐含复杂情感，传统情感分析模型难以精准捕获。构建过程中面临的挑战包括：原始评论数据噪声显著，如拼写错误、俚语及表情符号的干扰；多源标注一致性难以保证，需设计稳健的清洗与标注策略确保情感标签的可靠性；此外，数据规模庞大导致处理效率与存储优化成为技术瓶颈，需平衡数据完整性与计算资源约束，从而为下游任务提供稳定且可复用的训练基础。

常用场景

经典使用场景

在电子商务与自然语言处理的交叉领域中，Amazon Beauty Reviews Cleaned 数据集以其丰富的用户评论文本与结构化评分信息，成为情感分析任务的标准基准之一。研究者通常利用该数据集训练和评估基于深度学习的分类模型，以精准识别消费者对美妆产品所表达的正向、中性或负向情感倾向。其清洗后的高质量文本内容，亦为细粒度情感挖掘、意见抽取及主题建模提供了理想的数据土壤。

解决学术问题

该数据集有效解决了大规模非结构化用户反馈中情感极性自动判别的学术难题，推动了情感计算与意见挖掘领域的进展。通过提供标注清晰的评分与情感标签，它使研究者能够量化评论文本中的主观态度，从而构建鲁棒的监督学习模型。这一资源促进了跨领域情感迁移学习的研究，并助力揭示了不同产品类别间情感表达模式的差异性。

衍生相关工作

基于该数据集，衍生出多项经典研究工作，包括基于BERT的预训练模型微调方法在情感分类任务上的性能对比，以及融合图神经网络的评论语义网络分析。此外，有学者利用该数据集的评分与文本特征，探索了多模态情感分析框架，并提出了结合用户画像的个性化情感预测模型。这些工作进一步拓展了数据集在推荐系统与计算语言学中的学术价值。