数据集CPED介绍

数据集CPED介绍

昨天思考自己的小论文idea(md,到现在还没有idea，555_{，研一玩了一整年，后悔死，555})，然后看到了一个中文对话数据集，觉得很不错，记录一下

数据集名称：

CPED 数据集大小：包含了来自40个TV shows的392位说话者的12K多段对话。这里K应该是千的意思吧，不是很确定。

数据集属性：

TV_ID，Dialogue_ID，Utterance_ID，Speaker，Gender，Age，Neuroticism，Extraversion，Openness，Agreeableness，Conscientiousness，Scene，FacePosition_LU，FacePosition_RD，Sentiment，Emotion，DA，Utterance。还挺多的(大体上分为三类：话语，情绪等特征、话语属于哪个对话等特征)

数据属性解释：

• TV_ID：当前话语属于哪个电视节目
• Dialogue_ID：当前话语属于那段对话
• Utterance_ID：当前话语的标识
• Speaker：当前话语的说话者名字
• Gender：说话者性别(共3种：)
• Age：说话者年龄类别(共6种：)
• Neuroticism：神经质
• Extraversion：外倾性
• Openness：经验开放性
• Agreeableness：宜人性
• Conscientiousness：认真性 这5个属于大5(5种人格特征，我也不太了解)
• Scene：当前对话属于什么情景(共11种：)
• FacePosition_LU：脸部位置(??这个标签我也没有看明白，)
• FacePosition_RD：脸部位置(??这个标签我也没有看明白，)
• Sentiment：当前话语属于哪个情感类别(共3类：中性、消极、积
• Emotion：当前话语属于哪个情绪类别(共13类：)
• DA：当前话语属于哪个对话行为类别(共19种：)
• Utterance：当前话语文本(中文)

数据集的部分特征(图片展示)

原始数据

数据集标注的特征

big five特征分布统计

一个话语示例

该数据集的部分特征分布

该数据集的统计特征

其他常用对话数据集的特征

论文链接

论文：https://paperswithcode.com/paper/cped-a-large-scale-chinese-personalized-and-1
GitHub：https://github.com/scutcyr/CPED/tree/main/data/CPED

其他说明

作者还利用该数据集进行了对话情绪识别、人格识别、对话生成等实验，我这里就不介绍了，感兴趣自己看论文；
作者说可以通过话语ID获得音频和视频数据，不过我目前还不知道如何获取这两个模态的数据，感兴趣的话自己看论文(如果有大佬知道如何获取，可以指点我一下吗，谢谢了~~)