摘要

本文提出了RuSentiment，这是一个用于俄语社交媒体文本情感分析的新数据集，以及一套可扩展至其他语言的综合性标注指南。RuSentiment目前是俄语领域规模最大的同类数据集，包含31,185条经过标注的帖子，每条帖子由三位标注者进行标注，Fleiss’ kappa系数为0.58。为增强数据集的多样性，我们采用一种类似主动学习的策略预先筛选了6,950条帖子。本文报告了基线分类性能，并发布了在32亿个俄语VKontakte帖子上训练得到的最佳表现嵌入模型。