philschmid/emotion

Emotion数据集是一个包含英文Twitter消息的数据集，标注了六种基本情绪：愤怒、恐惧、快乐、爱、悲伤和惊讶。数据集分为两种配置：split和unsplit，分别包含20,000和416,809个样本。数据集主要用于文本分类任务，特别是多类分类任务。

The Emotion dataset is a collection of English Twitter messages annotated with six basic emotions: anger, fear, joy, love, sadness, and surprise. It has two configurations: split and unsplit, containing 20,000 and 416,809 samples respectively. This dataset is primarily used for text classification tasks, especially multi-class classification tasks.

原始信息汇总

数据集概述

基本信息

• 数据集名称: Emotion
• 标注创建者: 机器生成
• 语言创建者: 机器生成
• 语言: 英语
• 许可证: 其他
• 多语言性: 单语种
• 大小类别: 10K<n<100K
• 源数据集: 原始数据
• 任务类别: 文本分类
• 任务ID: 多类别分类
• PapersWithCode ID: emotion

训练与评估指标

• 配置: default
• 任务: 文本分类
• 任务ID: 多类别分类
• 数据分割:
  • 训练集: train
  • 评估集: test
• 列映射:
  • text: text
  • label: target
• 评估指标:
  • 准确率 (Accuracy)
  • F1 宏平均 (F1 macro)
  • F1 微平均 (F1 micro)
  • F1 加权平均 (F1 weighted)
  • 精确率 宏平均 (Precision macro)
  • 精确率 微平均 (Precision micro)
  • 精确率 加权平均 (Precision weighted)
  • 召回率 宏平均 (Recall macro)
  • 召回率 微平均 (Recall micro)
  • 召回率 加权平均 (Recall weighted)

数据集结构

• 配置名称: split

  • 特征:
    • text: 字符串类型
    • label: 类别标签，可能值包括 sadness, joy, love, anger, fear, surprise
  • 数据分割:
    • 训练集: 16000 条数据, 1741597 字节
    • 验证集: 2000 条数据, 214703 字节
    • 测试集: 2000 条数据, 217181 字节
  • 下载大小: 740883 字节
  • 数据集大小: 2173481 字节

• 配置名称: unsplit

  • 特征:
    • text: 字符串类型
    • label: 类别标签，可能值包括 sadness, joy, love, anger, fear, surprise
  • 数据分割:
    • 训练集: 416809 条数据, 45445685 字节
  • 下载大小: 15388281 字节
  • 数据集大小: 45445685 字节

标签信息

• 标签名称:
  • 0: sadness
  • 1: joy
  • 2: love
  • 3: anger
  • 4: fear
  • 5: surprise

数据实例

json { "text": "im feeling quite sad and sorry for myself but ill snap out of it soon", "label": 0 }

搜集汇总

数据集介绍

构建方式

情感识别作为自然语言处理领域的重要分支，旨在从文本中捕捉人类细腻的情感表达。该数据集以英文Twitter消息为原始语料，通过机器自动标注技术，将推文映射至六类基本情感标签：悲伤、喜悦、爱意、愤怒、恐惧与惊讶。数据集提供两种配置：一种为包含16000条训练样本、2000条验证样本和2000条测试样本的拆分版本，便于标准模型评估；另一种为包含416809条样本的未拆分版本，适用于大规模预训练或自监督学习场景。每条数据由文本字符串与整数标签构成，标签对应预定义的情感类别。

使用方法

在应用层面，该数据集主要面向文本分类任务，尤其适用于情感多分类模型的训练与评估。用户可通过HuggingFace的datasets库直接加载数据，支持按需选择拆分或未拆分配置。在模型训练中，建议采用交叉熵损失函数优化分类性能，并利用准确率、F1分数等指标进行多维度评估。数据集兼容主流深度学习框架，如PyTorch与TensorFlow，用户可结合预训练语言模型（如BERT、RoBERTa）进行微调，以捕捉文本中的上下文情感线索。对于研究目的，数据集还提供了详细的引用信息，鼓励学术社区在情感计算领域展开深入探索与创新。

背景与挑战

背景概述

情感识别作为自然语言处理领域的重要分支，致力于从文本中精准捕捉人类复杂的情感状态。由Elvis Saravia等研究者于2018年构建的Emotion数据集，源自英文Twitter消息，聚焦于六种基本情感类别：愤怒、恐惧、喜悦、爱、悲伤与惊讶。该数据集由DAIR-AI团队主导创建，旨在为多类别文本分类任务提供标准化基准，其论文发表于EMNLP 2018会议。凭借约20,000条标注样本及更大规模的非分割版本，Emotion数据集在推动基于深度学习的上下文情感表征学习方面发挥了关键作用，成为情感分析研究中的经典资源。

当前挑战

该数据集面临的核心挑战在于情感表达的微妙性与歧义性。Twitter消息的短文本特性、非正式用语及表情符号的广泛使用，使得模型难以准确区分相似情感（如悲伤与恐惧）或捕捉隐含情绪。构建过程中，采用机器自动标注方法虽提升了效率，却引入了标签噪声与上下文缺失问题，例如‘爱’与‘喜悦’在社交语境中常被混用。此外，数据来源集中于英语Twitter用户，导致文化偏差与语言多样性不足，限制了模型在跨领域或非正式场景下的泛化能力。这些挑战要求后续研究探索更鲁棒的标注策略与跨语言适应技术。

常用场景

经典使用场景

Emotion数据集作为文本情感分类领域的标杆资源，其核心应用场景聚焦于多类别细粒度情感识别任务。该数据集囊括了来自英文推特消息的六种基本情感类别——悲伤、喜悦、爱意、愤怒、恐惧与惊讶，为研究者提供了结构清晰、标注规范的训练与评估样本。通过其预设的训练、验证与测试划分，学者们得以系统性地探究基于深度学习的文本情感分类模型，从传统的词袋模型到先进的预训练语言模型，均可在此基准上进行性能验证与对比分析。

解决学术问题

该数据集有效回应了自然语言处理领域中的关键学术挑战，即如何精准捕捉并区分人类情感表达的微妙差异。在传统情感分析多局限于正负二分类的背景下，Emotion数据集推动了从粗粒度情感判别向六类基本情感细粒度识别的范式转变。它使得研究者能够深入探索情感语义的边界界定问题，例如‘爱’与‘喜悦’之间的情感重叠与区分，以及‘愤怒’与‘恐惧’在语境中的差异化表达。这一资源为情感计算理论的实证检验提供了坚实的数据支撑。

实际应用

在实际应用层面，Emotion数据集的价值辐射至社交媒体舆情监控、智能客服情感响应及心理健康辅助诊断等多个领域。例如，企业可利用基于该数据集训练的模型实时分析用户评论中的愤怒或悲伤情绪，从而快速启动危机干预机制。在心理健康领域，该数据集辅助开发的系统能够从个人推文中识别出持续性恐惧或悲伤的迹象，为早期心理预警提供技术可能。此外，娱乐产业亦可借助情感识别技术优化内容推荐算法，根据用户的情感偏好推送更具共鸣的媒体作品。

数据集最近研究

最新研究方向

在情感计算与自然语言处理的交汇领域，philschmid/emotion数据集作为基于英文推文的六类基础情感（愤怒、恐惧、喜悦、爱、悲伤、惊讶）标注资源，正推动着微表情识别与社交媒体情感分析的前沿探索。当前研究聚焦于利用预训练语言模型（如BERT、RoBERTa）进行细粒度情感分类的迁移学习，尤其在多模态情感理解与跨领域情感泛化方面展现出关键价值。该数据集与心理健康监测、舆情预警等热点事件紧密关联，例如通过分析疫情相关推文的情感波动来评估社会心理状态。其提供的多层级数据划分（split与unsplit配置）支持从小样本验证到大规模训练的灵活实验设计，为情感识别模型的鲁棒性评估与对抗性测试提供了标准化基准，显著促进了可解释情感AI系统的发展。