NLP अनुसंधान के लिए Financial Phrasebank भावना डेटा
सारांश
यह संदर्भ Financial Phrasebank का परिचय देता है, जो प्राकृतिक भाषा प्रसंस्करण मॉडल को प्रशिक्षित या मूल्यांकित करने के लिए वित्तीय समाचार वाक्यों का लेबल किया हुआ संग्रह है। मानव एनोटेटर सकारात्मक, तटस्थ या नकारात्मक भावना लेबल देते हैं। संग्रह चार सहमति सीमाओं पर उपलब्ध है: सबसे कठोर उपसमूह में केवल वे वाक्य हैं जिन पर सभी एनोटेटर सहमत हैं, जबकि कम कठोर सीमाओं में कम लेबल-सहमति के साथ अधिक उदाहरण शामिल हैं। दस्तावेज़ इस डेटासेट को वित्तीय भावना वर्गीकरण के बेंचमार्क के रूप में पहचानता है और इसके उपयोगों में शब्द-वेक्टर प्रशिक्षण, भावना निगरानी और ट्रांसफ़ॉर्मर फ़ाइन-ट्यूनिंग शामिल करता है।
संदर्भ डेटासेट के डिस्क पर मौजूद रूपों, लोडर के व्यवहार और स्रोत फ़ाइलें प्राप्त कर उन्हें parquet प्रारूप में बदलने की वैकल्पिक प्रक्रिया बताता है। इसमें अकादमिक उद्धरण तथा गैर-वाणिज्यिक उपयोग, श्रेय और समान-शर्तों पर साझा करने वाले लाइसेंस की शर्तें भी दर्ज हैं। यह डेटासेट मार्गदर्शिका है, ट्रेडिंग रणनीति या इस बात का साक्ष्य नहीं कि भावना संकेत रिटर्न का पूर्वानुमान करते हैं। इसकी व्यावहारिक सीमाओं में लेबल-सहमति और नमूना संख्या के बीच समझौता तथा वाणिज्यिक उपयोग पर प्रतिबंध शामिल हैं।
मुख्य विचार
- Financial Phrasebank में वित्तीय समाचार वाक्य सकारात्मक, तटस्थ या नकारात्मक लेबल के साथ हैं।
- एनोटेटरों की अधिक सहमति से छोटा उपसमूह मिलता है, जिसके लेबल अधिक एकसमान होते हैं।
- यह संग्रह भावना वर्गीकरण बेंचमार्क और NLP मॉडल के प्रशिक्षण या मूल्यांकन में सहायक है।
- डेटासेट का लाइसेंस श्रेय और समान-शर्तों पर साझा करने की शर्तों के अधीन गैर-वाणिज्यिक अनुसंधान की अनुमति देता है।
- केवल इस संग्रह का उपयोग यह साबित नहीं करता कि भावना लेबल बाज़ार रिटर्न का पूर्वानुमान करते हैं।
टैग
पूरा पाठ
# Text Reference Corpora
# Text Reference Corpora
Labeled text corpora used as training or evaluation data for NLP models.
Unlike `sec/` (filings we produce) or `news/` (news archives we mirror),
these are published academic datasets.
## Datasets
| Corpus | Size | Use case | Loader |
| --- | --- | --- | --- |
| Financial Phrasebank (Malo et al. 2014) | ~2,300–4,800 sentences depending on agreement level | Sentiment classification benchmark | `load_financial_phrasebank` |
## On-disk Layout
```
$ML4T_DATA_PATH/alternative/text/financial_phrasebank/
├── sentences_allagree.parquet # 100% agreement, ~2,264 rows (default)
├── sentences_75agree.parquet # ~3,453 rows
├── sentences_66agree.parquet # ~4,217 rows
└── sentences_50agree.parquet # ~4,846 rows
```
Total disk footprint: under 500 KB. First load triggers a one-time
HuggingFace download (~1-2 seconds).
## Financial Phrasebank
Academic sentiment benchmark: sentences from financial news labeled
positive/neutral/negative by human annotators. Four agreement levels
are published (100%, 75%, 66%, 50%); the `allagree` subset is the most
reliable but smallest.
**License**: Creative Commons Attribution-NonCommercial-ShareAlike 3.0
(`CC BY-NC-SA 3.0`). Free for academic and non-commercial research;
attribution to Malo et al. (2014) required.
### Download
```bash
# The loader downloads from HuggingFace on first call; no manual step required.
uv run python -c "from data import load_financial_phrasebank; df = load_financial_phrasebank(); print(df.shape)"
```
To pre-populate the cache manually:
```python
from huggingface_hub import hf_hub_download
import zipfile, polars as pl
from pathlib import Path
DATA = Path("$ML4T_DATA_PATH/alternative/text/financial_phrasebank")
zip_path = hf_hub_download("takala/financial_phrasebank",
"data/FinancialPhraseBank-v1.0.zip", repo_type="dataset")
label_map = {"negative": 0, "neutral": 1, "positive": 2}
rows = []
with zipfile.ZipFile(zip_path) as z, z.open(
"FinancialPhraseBank-v1.0/Sentences_AllAgree.txt"
) as f:
for line in f.read().decode("latin-1").strip().splitlines():
sentence, label = line.rsplit("@", 1)
rows.append({"sentence": sentence.strip(), "label": label_map[label.strip()]})
DATA.mkdir(parents=True, exist_ok=True)
pl.DataFrame(rows).write_parquet(DATA / "sentences_allagree.parquet")
```
### Loading
```python
from data import load_financial_phrasebank
# Default: 100% agreement subset (most reliable, ~2,264 sentences)
df = load_financial_phrasebank(agreement="100")
# Or lower agreement levels for more training data
df = load_financial_phrasebank(agreement="50")
```
**Reference**: Malo, P., Sinha, A., Korhonen, P., Wallenius, J., & Takala, P.
(2014). *Good debt or bad debt: Detecting semantic orientations in economic texts.*
Journal of the Association for Information Science and Technology, 65(4).
## Consumers
- Chapter 10 NB 01 (word2vec training)
- Chapter 10 NB 03 (sentiment evolution)
- Chapter 10 NB 04 (transformer fine-tuning)स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: MIT
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।