"guardian_authorship" 数据集卡片

数据集简介

这是一个跨主题的作者归属数据集。该数据集由Stamatatos 2013.1提供。1- 跨主题的场景基于Stamatatos 2017中的Table-4（例如cross_topic_1 => row 1:P S U&W）。2- 跨类型的场景基于同一论文中的Table-5（例如cross_genre_1 => row 1:B P S&U&W）。

3- 同一主题/类型的场景是通过按以下方式分组所有数据集创建的。例如，要使用same_topic并将数据集拆分为60-40，请使用：train_ds = load_dataset('guardian_authorship'，name="cross_topic_<<#>>"，split='train[:60%]+validation[:60%]+test[:60%]')tests_ds = load_dataset('guardian_authorship'，name="cross_topic_<<#>>"，split='train[-40%:]+validation[-40%:]+test[-40%:]')

重要提示：train+validation+test[:60%]会生成错误的拆分，因为数据不平衡

• 详细信息和更多示例请参见 https://huggingface.co/docs/datasets/splits.html

支持的任务和评估指标

More Information Needed

语言

More Information Needed

数据集结构

数据实例

cross_genre_1

• 下载的数据集文件大小：3.10 MB
• 生成的数据集大小：2.74 MB
• 总磁盘使用量：5.84 MB

'train'的示例如下所示。

{
    "article": "File 1a\n",
    "author": 0,
    "topic": 4
}

cross_genre_2

• 下载的数据集文件大小：3.10 MB
• 生成的数据集大小：2.74 MB
• 总磁盘使用量：5.84 MB

'validation'的示例如下所示。

{
    "article": "File 1a\n",
    "author": 0,
    "topic": 1
}

cross_genre_3

• 下载的数据集文件大小：3.10 MB
• 生成的数据集大小：2.74 MB
• 总磁盘使用量：5.84 MB

'validation'的示例如下所示。

{
    "article": "File 1a\n",
    "author": 0,
    "topic": 2
}

cross_genre_4

• 下载的数据集文件大小：3.10 MB
• 生成的数据集大小：2.74 MB
• 总磁盘使用量：5.84 MB

'validation'的示例如下所示。

{
    "article": "File 1a\n",
    "author": 0,
    "topic": 3
}

cross_topic_1

• 下载的数据集文件大小：3.10 MB
• 生成的数据集大小：2.34 MB
• 总磁盘使用量：5.43 MB

'validation'的示例如下所示。

{
    "article": "File 1a\n",
    "author": 0,
    "topic": 1
}

数据字段

所有拆分的数据字段都是相同的。

cross_genre_1

• 作者：一个分类标签，可能的值包括catherinebennett（0）、georgemonbiot（1）、hugoyoung（2）、jonathanfreedland（3）、martinkettle（4）。
• 主题：一个分类标签，可能的值包括Politics（0）、Society（1）、UK（2）、World（3）、Books（4）。
• 文章：一个字符串特征。

cross_genre_2

• 作者：一个分类标签，可能的值包括catherinebennett（0）、georgemonbiot（1）、hugoyoung（2）、jonathanfreedland（3）、martinkettle（4）。
• 主题：一个分类标签，可能的值包括Politics（0）、Society（1）、UK（2）、World（3）、Books（4）。
• 文章：一个字符串特征。

cross_genre_3

• 作者：一个分类标签，可能的值包括catherinebennett（0）、georgemonbiot（1）、hugoyoung（2）、jonathanfreedland（3）、martinkettle（4）。
• 主题：一个分类标签，可能的值包括Politics（0）、Society（1）、UK（2）、World（3）、Books（4）。
• 文章：一个字符串特征。

cross_genre_4

• 作者：一个分类标签，可能的值包括catherinebennett（0）、georgemonbiot（1）、hugoyoung（2）、jonathanfreedland（3）、martinkettle（4）。
• 主题：一个分类标签，可能的值包括Politics（0）、Society（1）、UK（2）、World（3）、Books（4）。
• 文章：一个字符串特征。

cross_topic_1

• 作者：一个分类标签，可能的值包括catherinebennett（0）、georgemonbiot（1）、hugoyoung（2）、jonathanfreedland（3）、martinkettle（4）。
• 主题：一个分类标签，可能的值包括Politics（0）、Society（1）、UK（2）、World（3）、Books（4）。
• 文章：一个字符串特征。

数据拆分

name	train	validation	test
cross_genre_1	63	112	269
cross_genre_2	63	62	319
cross_genre_3	63	90	291
cross_genre_4	63	117	264
cross_topic_1	112	62	207

数据集创建

策划理由

More Information Needed

源数据

初始数据收集和归一化

More Information Needed

源语言制作者是谁？

More Information Needed

注释

注释过程

More Information Needed

注释者是谁？

More Information Needed

个人和敏感信息

More Information Needed

使用数据的注意事项

数据的社会影响

More Information Needed

偏差讨论

More Information Needed

其他已知限制

More Information Needed

附加信息

数据集策划者

More Information Needed

许可信息

More Information Needed

引用信息

@article{article,
    author = {Stamatatos, Efstathios},
    year = {2013},
    month = {01},
    pages = {421-439},
    title = {On the robustness of authorship attribution based on character n-gram features},
    volume = {21},
    journal = {Journal of Law and Policy}
}

@inproceedings{stamatatos2017authorship,
    title={Authorship attribution using text distortion},
    author={Stamatatos, Efstathios},
    booktitle={Proc. of the 15th Conf. of the European Chapter of the Association for Computational Linguistics},
    volume={1}
    pages={1138--1149},
    year={2017}
}

贡献者

感谢 @thomwolf 、 @eltoto1219 、 @malikaltakrori 添加了该数据集。