数据集 开放存取
用于开放式科学研究的大规模COVID-19 Twitter聊天数据集-国际合作
班达，胡安·M。;
特库玛拉（Rumya）;
王冠宇;
于静源;
刘拓;
丁玉宁;
卡蒂亚Artemova;
Elena图图巴利纳;
杰拉尔·乔威尔
女43 of the dataset.
由于COVID-19全球大流行的相关性，我们将发布从Twitter流中获取的与COVID-19聊天相关的推文数据集。自从我们的第一个版本发布以来，我们已经从新的合作者那里收到了更多数据，从而使该资源增长到当前的规模。从3月11日开始，专用数据收集每天产生超过400万条推文。从1月27日到3月27日，我们添加了新合作者提供的其他数据，以提供更多的纵向报道。版本10已添加 从1月1日至5月8日收集了约150万条俄语推文，由以下人员提供： Katya Artemova（NRU HSE）和Elena Tutubalina（KFU）。从版本12开始，我们包含了每日主题标签，提及和emoijis及其频率以及相应的zip文件。从版本14开始 我们 包含了数据集的干净版本的tweet标识符及其各自的语言。以来 第20版中，我们为所有推文添加了语言和位置信息。
从流中收集的数据可以捕获所有语言，但是较高的流行度是： 英文，西班牙文和法文。我们会在full_dataset.tsv文件上发布所有推文和转发，（891,324,837个唯一的推文），在full_dataset-clean.tsv文件上发布没有转发的纯净版本（223,249,143个唯一的推文）。有几个实际的原因使我们离开转发，跟踪重要的推文，它们的传播就是其中之一。对于NLP任务，我们在quent_terms.csv中提供了前1000个频繁术语，在quently_bigrams.csv中提供了前1000个二元组，并且在quently_trigrams.csv中提供了前1000个三元组。在full_dataset-statistics.tsv和full_dataset-clean-statistics.tsv文件中，这两个数据集每天都包含一些常规统计信息。有关更多统计信息和一些可视化信息，请访问： http://www.panacealab.org/covid19/
可以找到更多详细信息（并且更新速度更快： //github.com/thepanacealab/covid19_twitter）以及关于数据集的预印本（//arxiv.org/abs/2004.03688)
一如往常，由于Twitter的条款和条件，此处分发的tweet仅仅是tweet标识符（添加了日期和时间），仅出于研究目的重新分发Twitter数据。它们需要水合才能使用。
该数据集将至少每两周更新一次，并附带其他推文，请查看github存储库以获取这些更新。
发布：我们已经对资源名称进行了标准化，以使其与印刷前的稿件相匹配，而不必每周进行更新。
档案
（9.8 GB）
| 名称 | 尺寸 | |
|---|---|---|
|
emojis.zip
md5：b149c7fd5c21f87cd93656d447ef9056 |
6.0 MB | 下载 |
|
quent_bigrams.csv
md5：e1a56dc7672da3ddaadc7bfc3c2210c4 |
18.3 kb | 下载 |
|
quent_terms.csv
md5：e81bda05c1095208407fa6c0306bc074 |
11.9 kb | 下载 |
|
quent_trigrams.csv
md5：9b2c855ab48aa7d6cb5d2234a3b3b222 |
24.2 KB | 下载 |
|
full_dataset-statistics.tsv
md5：57b9c0360c852bab0dc4dfea50e0ee39 |
6.9 kB | 下载 |
|
full_dataset.tsv.gz
md5：2b6a8341608bae209f647ee0daee572d |
7.4 GB | 下载 |
|
full_dataset_clean-statistics.tsv
md5：685461aa25b69badee2ea18e4ee95a3f |
6.6 kB | 下载 |
|
full_dataset_clean.tsv.gz
md5：23a4d64a936b8f72a9704c0a063dd1c8 |
2.1 GB | 下载 |
|
hashtags.zip
md5：d37028048a3514cc45f61999d3b9bb59 |
119.5兆字节 | 下载 |
|
提及.zip
md5：01f217594885636c4a011baeba71f56b |
198.3兆字节 | 下载 |
