Kurzgesagt无聊的开端YouTube视频字幕文本数据集
数据来源：互联网公开数据
标签：Kurzgesagt, YouTube, 字幕, 文本, 科学, 动画, 教育, 知识传播, 视频分析, 自然语言处理
数据概述：
本数据集包含Kurzgesagt - In a Nutshell（无聊的开端）YouTube频道发布的视频的字幕文本。数据来源于对该频道视频的转录，并经过了句子层面的分割。数据集旨在为自然语言处理、文本分析、话题建模等研究提供基础。
数据包含两类数据：
- 视频级别数据：包含每个视频的标题（Title）、视频链接（URL）和完整的字幕文本（Text）。
- 句子级别数据：包含每个句子的标题（Title）、视频链接（URL）和独立的句子文本（Sentence）。
数据提取过程使用了Python编程语言，并依赖于nltk、whisper、pandas和pytube等库。具体步骤包括：从YouTube频道获取视频链接和标题；使用whisper模型转录视频音频；将转录文本进行句子分割。
数据用途概述：
该数据集可用于多种研究和应用场景，例如：
- 话题建模：分析Kurzgesagt视频中涉及的主要话题。
- 情感分析：研究视频字幕文本中的情感倾向。
- 文本摘要：生成视频内容的摘要。
- 机器翻译：将视频字幕翻译成其他语言。
- 教育研究：分析Kurzgesagt视频在科学知识传播方面的特点。
- 自然语言处理教学：作为自然语言处理项目的实践数据集。
