杜克大学：多语言评论数据集YT-30M

📖标题：YT-30M: A multi-lingual multi-category dataset of YouTube comments
🌐来源：arXiv, 2412.03465

🌟摘要

本文介绍了YouTube上的两个大规模多语言评论数据集YT-30M（和YT-100K）。本文对YT-30M的一个较小样品（YT-100K）进行了分析。两个数据集：YT-30M（完整）和YT-100K（从YT-30M中随机选择的100K样本）都公开发布以供进一步研究。YT-30M（YT-100K）包含YouTube频道发布的属于YouTube类别的32236173（108694）条评论。每条评论都与视频ID、评论ID、评论者姓名、评论者频道ID、评论文本、赞成票、原始频道ID和YouTube频道类别（例如“新闻与政治”、“科学与技术”等）相关联。数据在https://huggingface.co/datasets/hridaydutta123/YT-100K

🛎️文章简介

🔸研究问题：缺乏一个多语言、多类别的评论数据集，以支持自然语言处理和社会网络分析领域的研究。