SillyFeed 俄语 Telegram 主题聚合测量
数据集简介
数据内容
SillyFeed 数据集围绕俄语 Telegram 的 19 个主题组织,每个主题下给出频道数、主题占比、帖长、每周发布量、发布小时与星期、每千次浏览的反应数、长破折号使用密度以及疑似 AI 文本标记频率等聚合指标。全部内容以 17 张 CSV 表存放在 data/ 目录,tables.csv 是这些表格的机器可读索引,方便按表名定位所需指标。
各表覆盖的抽样范围差异很大:单表最多覆盖 47 841 670 条帖子、239 751 个频道(见 reactions_norm_by_size 与 reactions_per_post_by_size),语料库部分则达到 192 884 个频道。CSV 中的每个数字都对应 SillyFeed 网站页面上的展示值,两者逐位一致。
互不混合的抽样
数据按用途拆成若干互不混合的抽样,避免不同口径的统计被混在一起比较:
- 语料库:面向文本与频道层面的统计,规模最大;
- 信息流目录:按信息流维度组织的目录数据;
- 面板:主题级聚合指标面板;
- 频道档案:频道层面的档案型统计;
- 指南帖语料:指南类帖子的专门语料。
每张表只对应其中一种抽样,使用时需先确认表格所属抽样,再做跨表比较。
有意不包含的内容
数据集有意不提供帖子正文、频道名称与频道标识符。因此它适合做主题层面的聚合统计与分布分析,而无法用于逐帖文本建模或按频道身份追踪。
字段说明
字段以英文命名,含义可从表名与列名直接对应。以 ai_text_markers 表为例,包含 marker、per_1m_chars_2024h2、per_1m_chars_2025_26、growth_x、channels_with_growth_pct 等列,分别记录标记名称、两个时间段的每百万字符出现次数、增长倍数以及出现增长的频道占比。文件编码为 UTF-8,逗号分隔,小数点用点号。
解读与引用
SillyFeed 网站提供各主题的图文解读,可与 CSV 中的数值对照阅读;Hugging Face 上的同一份数据支持在浏览器中直接浏览表格。引用时请遵循 CC BY 4.0 许可,并注明数据来自 SillyFeed 聚合。
许可与获取
数据采用 CC BY 4.0 许可。GitHub 仓库 ArShot/sillyfeed-telegram-topics 公开可下载,Hugging Face 组织 Pershlab 下的 sillyfeed-telegram-topics 提供同一份数据的在线浏览。