NLP تحقیق کے لیے مالیاتی Phrasebank جذباتی ڈیٹا
خلاصہ
یہ حوالہ Financial Phrasebank کی وضاحت کرتا ہے، جو مالیاتی خبروں کے جملوں کا لیبل شدہ مجموعہ ہے اور قدرتی زبان کی پروسیسنگ کے ماڈلز کی تربیت یا جانچ میں استعمال ہوتا ہے۔ انسانی تشریح کار مثبت، غیر جانب دار یا منفی جذبات کے لیبل دیتے ہیں۔ مواد چار اتفاقی حدوں پر دستیاب ہے: سخت ترین ذیلی مجموعے میں صرف وہ جملے رکھے جاتے ہیں جن پر تمام تشریح کار متفق ہوں، جبکہ نرم حدوں میں کم لیبل اتفاق کے ساتھ زیادہ مثالیں شامل ہوتی ہیں۔ دستاویز اس ڈیٹاسیٹ کو مالیاتی جذبات کی درجہ بندی کا بینچ مارک قرار دیتی ہے اور اس کے استعمالات میں لفظی ویکٹر کی تربیت، جذبات کی نگرانی اور ٹرانسفارمر کی فائن ٹیوننگ شامل کرتی ہے۔
حوالہ ڈیٹاسیٹ کے ڈسک پر موجود متبادلات، لوڈر کے رویے، اور ماخذ فائلیں حاصل کرکے انہیں parquet فارمیٹ میں تبدیل کرنے کے متبادل طریقے کی وضاحت کرتا ہے۔ اس میں علمی حوالہ اور غیر تجارتی استعمال، انتساب اور یکساں لائسنس کی شرائط بھی درج ہیں۔ یہ ڈیٹاسیٹ کی رہنمائی ہے، ٹریڈنگ اسٹریٹیجی یا اس بات کا ثبوت نہیں کہ جذباتی اشارے منافع کی پیش گوئی کرتے ہیں۔ عملی حدود میں لیبل اتفاق اور نمونے کے حجم کے درمیان سمجھوتا، نیز تجارتی استعمال پر پابندیاں شامل ہیں۔
اہم خیالات
- Financial Phrasebank میں مالیاتی خبروں کے ایسے جملے ہیں جنہیں مثبت، غیر جانب دار یا منفی کا لیبل دیا گیا ہے۔
- تشریح کاروں کا زیادہ اتفاق چھوٹا ذیلی مجموعہ دیتا ہے جس کے لیبل زیادہ یکساں ہوتے ہیں۔
- یہ مواد جذبات کی درجہ بندی کے بینچ مارکس اور NLP ماڈلز کی تربیت یا جانچ میں مدد دیتا ہے۔
- ڈیٹاسیٹ کا لائسنس انتساب اور مشتق کام کو بھی اسی نوع کے لائسنس کے تحت تقسیم کرنے کی شرط کے ساتھ غیر تجارتی تحقیق کی اجازت دیتا ہے۔
- صرف اس مواد کا استعمال یہ ثابت نہیں کرتا کہ جذباتی لیبل مارکیٹ کے منافع کی پیش گوئی کرتے ہیں۔
ٹیگز
مکمل متن
# 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)ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: MIT
یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔