COLDataset

ColdataSet

El repositorio oficial del documento: frío: un punto de referencia para la detección de idiomas ofensivos chinos

中文冒犯语言检测数据集

Enlace en papel: https://arxiv.org/abs/2201.06025

Detector: Lanzamos la versión de Roberta-Base-Cold en Huggingface.

Noticias

¡Nuestro artículo ha sido aceptado por EMNLP 2022!

Información

ColdataSet contiene 37,480 comentarios con etiquetas ofensivas binarias y cubre diversos temas de raza, género y región. Para obtener más información sobre los tipos y características de datos, anotamos el conjunto de pruebas en un nivel de grano fino con cuatro categorías: individuos atacantes, grupos de ataque, anti-sesgo y otros no ofensivos.

Las etiquetas en trenes.csv y dev.csv:

• etiqueta 0: seguro,
• Etiqueta 1: Ofensiva

etiqueta de grano fino en test.csv:

• 0: Safe (otro no-ofen)
• 1: Ataque individual
• 2: Grupo de ataque
• 3: Safe (anti-sesgo)

Citando

Por favor, cita nuestro documento si este documento y el conjunto de datos son útiles.

  @article{deng2022cold,
  title="Cold: A benchmark for chinese offensive language detection",
  author= "Deng, Jiawen and Zhou, Jingyan and Sun, Hao and Mi, Fei and Huang, Minlie",
  booktitle = "Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing",
  month = dec,
  year = "2022",
  address = "Abu Dhabi, United Arab Emirates",
  publisher = "Association for Computational Linguistics",
  url = "https://aclanthology.org/2022.emnlp-main.796",
  pages = "11580--11599"
}