OpenModels/Chinese-Herbal-Medicine-Sentiment

中药情感分析数据集 - 数据说明书

Chinese Herbal Medicine Sentiment Analysis Dataset - Datacard

数据集概述 / Dataset Overview

基本信息 / Basic Information

• 数据集名称 / Dataset Name: Chinese Herbal Medicine Sentiment Analysis Dataset
• 版本 / Version: 1.0.0
• 创建日期 / Created: 2025-08-26
• 作者 / Author: Xingqiang Chen
• 许可证 / License: MIT
• 语言 / Language: 中文 (Chinese)
• 领域 / Domain: 中药 / 传统中医药 (Traditional Chinese Medicine)

数据规模 / Data Scale

• 总样本数 / Total Samples: 234,879
• 唯一产品数 / Unique Products: 259
• 唯一用户数 / Unique Users: 210,749
• 时间跨度 / Time Span: 14.5 年 / years (2010-01-13 20:22:34 至 / to 2024-07-02 19:54:44)

数据内容 / Data Content

情感分布 / Sentiment Distribution

情感类别 / Sentiment	数量 / Count	百分比 / Percentage
正面 / Positive	178,014	75.8%
中性 / Neutral	27,023	11.5%
负面 / Negative	29,842	12.7%

评分分布 / Rating Distribution

评分 / Rating	数量 / Count	百分比 / Percentage
1 星 / stars	29,842	12.7%
2 星 / stars	7,554	3.2%
3 星 / stars	19,469	8.3%
4 星 / stars	1,953	0.8%
5 星 / stars	176,061	75.0%

文本统计 / Text Statistics

• 平均长度 / Average Length: 42.4 字符 / characters
• 中位数长度 / Median Length: 27 字符 / characters
• 最短长度 / Minimum Length: 1 字符 / characters
• 最长长度 / Maximum Length: 563 字符 / characters
• 总字符数 / Total Characters: 9,966,582

产品统计 / Product Statistics

• 每个产品的平均评论数 / Average Reviews per Product: 906.9
• 每个产品的评论数中位数 / Median Reviews per Product: 1018
• 单个产品最少评论数 / Minimum Reviews per Product: 1
• 单个产品最多评论数 / Maximum Reviews per Product: 3030

数据结构 / Data Structure

字段说明 / Field Descriptions

字段名 / Field Name	类型 / Type	描述 / Description	示例 / Example
username	string	匿名化的用户名 / Anonymized username	"用***客"
user_id	integer	唯一用户标识符 / Unique user identifier	16788761848
review_text	string	中文评论内容 / Chinese review content	"产品质量很好，效果明显"
review_time	datetime	评论发布时间 / Review timestamp	"2021-12-09 12:56:37"
rating	integer	评分 (1-5分) / Rating (1-5 scale)	5
product_id	string	产品唯一标识符 / Product identifier	"100001642346"
sentiment_label	string	情感标签 / Sentiment label	"positive", "neutral", "negative"
source_file	string	原始数据文件名 / Source file name	"100001642346-好评.xls"

数据格式 / Data Format

• 文件格式 / File Format: CSV (UTF-8 encoding)
• 分隔符 / Delimiter: 逗号 / Comma (,)
• 缺失值 / Missing Values: 无 / None (所有字段都有值 / All fields have values)

数据收集 / Data Collection

来源 / Source

• 平台 / Platform: 中国电商平台 / Chinese e-commerce platforms
• 收集时间 / Collection Period: 2010-2024
• 收集方法 / Collection Method: 网络爬虫 / Web scraping

数据质量 / Data Quality

• 完整性 / Completeness: 100% (无缺失值 / No missing values)
• 一致性 / Consistency: 高 / High (统一的数据格式和编码 / Unified format and encoding)
• 准确性 / Accuracy: 高 / High (原始用户评论数据 / Original user review data)

数据预处理 / Data Preprocessing

1. 文本清理 / Text Cleaning:

   • 去除空白评论 / Remove empty reviews
   • 统一编码格式 / Standardize encoding
   • 过滤无效内容 / Filter invalid content

2. 情感标注 / Sentiment Labeling:

   • 基于平台原始分类 / Based on platform original classification
   • 好评 → positive / 中评 → neutral / 差评 → negative

3. 数据验证 / Data Validation:

   • 检查数据类型 / Check data types
   • 验证时间格式 / Validate time format
   • 确保情感标签一致性 / Ensure sentiment label consistency

使用案例 / Use Cases

适用场景 / Suitable Applications

1. 情感分析研究 / Sentiment Analysis Research

   • 中文文本情感分类 / Chinese text sentiment classification
   • 情感分析模型训练 / Sentiment analysis model training
   • 跨领域情感分析 / Cross-domain sentiment analysis

2. 自然语言处理 / Natural Language Processing

   • 中文文本理解 / Chinese text understanding
   • 文本分类任务 / Text classification tasks
   • 语言模型微调 / Language model fine-tuning

3. 中医药研究 / Traditional Chinese Medicine Research

   • 用户满意度分析 / User satisfaction analysis
   • 产品质量评估 / Product quality assessment
   • 市场反馈分析 / Market feedback analysis

4. 商业智能 / Business Intelligence

   • 客户意见挖掘 / Customer opinion mining
   • 产品改进建议 / Product improvement suggestions
   • 竞争分析 / Competitive analysis

基准任务 / Benchmark Tasks

• 三分类情感分析 / 3-class Sentiment Classification: positive, neutral, negative
• 五分类评分预测 / 5-class Rating Prediction: 1-5 stars
• 文本-情感对齐 / Text-Sentiment Alignment: 评论内容与情感标签的对应关系

技术规范 / Technical Specifications

系统要求 / System Requirements

# Python 依赖 / Dependencies
pandas >= 1.3.0
datasets >= 2.0.0
transformers >= 4.20.0
torch >= 1.10.0  # 可选 / Optional
tensorflow >= 2.8.0  # 可选 / Optional

加载方式 / Loading Methods

1. 使用 Hugging Face Datasets

from datasets import load_dataset

# 加载完整数据集 / Load full dataset
dataset = load_dataset("xingqiang/chinese-herbal-medicine-sentiment")

# 访问训练集和验证集 / Access train and validation sets
train_data = dataset['train']
val_data = dataset['validation']

# 查看数据样例 / View data sample
print(train_data[0])

2. 使用 Pandas

import pandas as pd

# 从 CSV 文件加载 / Load from CSV
df = pd.read_csv("chinese_herbal_sentiment.csv")

# 查看基本信息 / View basic info
print(df.info())
print(df.head())

数据分割 / Data Splits

• 训练集 / Training Set: 90% (211,391 样本 / samples)
• 验证集 / Validation Set: 10% (23,487 样本 / samples)
• 分割方式 / Split Method: 随机分割 / Random split (seed=42)

伦理考虑 / Ethical Considerations

隐私保护 / Privacy Protection

• 用户隐私 / User Privacy: 所有用户名已匿名化处理 / All usernames are anonymized
• 个人信息 / Personal Information: 不含任何个人身份信息 / No personal identifying information
• 数据脱敏 / Data Desensitization: 保留分析价值同时保护用户隐私 / Preserve analytical value while protecting privacy

使用限制 / Usage Restrictions

• 学术研究 / Academic Research: 鼓励用于学术研究和教育 / Encouraged for academic research and education
• 商业用途 / Commercial Use: 遵循 MIT 许可证条款 / Follow MIT license terms
• 数据再分发 / Data Redistribution: 允许在保持归属的情况下再分发 / Allowed with proper attribution

潜在偏见 / Potential Biases

• 时间偏见 / Temporal Bias: 数据跨越多年，可能存在时间相关的偏见 / Data spans multiple years, potential temporal biases
• 平台偏见 / Platform Bias: 来自特定电商平台，可能不代表整体市场 / From specific e-commerce platforms, may not represent overall market
• 产品偏见 / Product Bias: 仅包含中药产品，情感表达可能具有领域特性 / Only includes herbal medicine products, sentiment expressions may be domain-specific

质量保证 / Quality Assurance

数据验证 / Data Validation

• ✅ 无重复记录 / No duplicate records
• ✅ 无缺失值 / No missing values
• ✅ 时间格式一致 / Consistent time format
• ✅ 情感标签有效 / Valid sentiment labels
• ✅ 文本编码正确 / Correct text encoding

统计检查 / Statistical Checks

• ✅ 情感分布合理 / Reasonable sentiment distribution
• ✅ 评分与情感标签对应 / Rating-sentiment correspondence
• ✅ 时间分布连续 / Continuous temporal distribution
• ✅ 产品覆盖充分 / Sufficient product coverage

版本历史 / Version History

v1.0.0 (2024-08-26)

• 初始发布 / Initial release
• 包含 234,879 条评论数据 / Contains 234,879 reviews
• 支持三分类情感分析任务 / Supports 3-class sentiment analysis task

引用方式 / Citation

如果您在研究中使用了此数据集，请引用： If you use this dataset in your research, please cite:

@dataset{chinese_herbal_sentiment_2024,
  title={Chinese Herbal Medicine Sentiment Analysis Dataset},
  author={Chen, Xingqiang},
  year={2024},
  version={1.0.0},
  url={https://huggingface.co/datasets/xingqiang/chinese-herbal-medicine-sentiment},
  note={A comprehensive sentiment analysis dataset for Traditional Chinese Medicine product reviews}
}

联系方式 / Contact

• 数据集维护者 / Dataset Maintainer: Xingqiang Chen
• Hugging Face: xingqiang
• 问题反馈 / Issue Reports: 请在 Hugging Face 数据集页面提交 / Please submit on the Hugging Face dataset page

致谢 / Acknowledgments

感谢所有提供评论数据的用户，以及中医药电商平台提供的数据基础。 Thanks to all users who provided review data and the e-commerce platforms for the data foundation.

---

最后更新 / Last Updated: 2025-08-26 02:50:03 数据集大小 / Dataset Size: ~9.5 MB (文本内容 / text content)