bstds/home_depot

该数据集包含Home Depot网站上的产品和真实客户搜索词，旨在预测搜索词和产品之间的相关性得分。相关性得分由人工评估得出，范围从1（不相关）到3（高度相关），每个组合至少由三个人评估，平均得分作为最终相关性得分。评估时，评估者无法访问产品属性，但可以查看产品图像。数据集的目的是预测测试集中每个搜索词和产品组合的相关性。

原始信息汇总

数据集概述

数据集名称

home_depot

数据集特征

• id: int64
• entity_id: int64
• name: string
• query: string
• relevance: float64
• description: string

数据集拆分

• train:
  • 数据量: 74803048 字节
  • 示例数量: 74067

数据集大小

• 下载大小: 32449185 字节
• 数据集大小: 74803048 字节

数据集描述

该数据集包含Home Depot网站上的多个产品和真实客户搜索词。挑战在于预测给定搜索词和产品组合的相关性得分。为了创建地面实况标签，Home Depot将搜索/产品对众包给多个人类评分者。

相关性得分是一个介于1（不相关）到3（高度相关）之间的数字。例如，搜索“AA电池”对于一包AA尺寸电池（相关性=3）是高度相关的，对于无绳钻电池（相关性=2）是中度相关的，对于雪铲（相关性=1）是不相关的。

每个对至少由三个人类评分者评估。提供的相关性得分是评分平均值。

搜集汇总

数据集介绍

构建方式

本数据集源自Home Depot网站的搜索与产品匹配任务，构建过程基于真实用户查询与商品数据。为生成标注标签，Home Depot采用众包方式，将搜索词与产品配对后交由多名人类评估员进行相关性评分。每个配对至少由三位评估员独立评判，最终相关性分数取评分的平均值，范围从1（不相关）到3（高度相关）。评估员遵循特定指导文件，但未接触产品属性信息，仅能查看产品图片，而数据集本身不包含图像数据。

使用方法

该数据集适用于训练搜索相关性预测模型，典型用法是将查询词与产品名称及描述结合，作为输入特征，以预测相关性分数作为回归任务。用户可基于训练集构建模型，并在测试集上评估预测性能。由于评估员未使用产品属性，模型应聚焦于文本语义匹配，可借助预训练语言模型如BERT进行微调。数据集已提供结构化字段，便于直接加载和实验。

背景与挑战

背景概述

在电子商务蓬勃发展的背景下，搜索相关性排序成为提升用户体验与转化率的核心环节。Home Depot产品搜索相关性数据集（bstds/home_depot）由家得宝（Home Depot）公司于2016年通过Kaggle竞赛平台发布，旨在解决零售领域搜索词与产品匹配度的量化评估问题。该数据集汇集了来自家得宝官网的真实用户搜索词与产品描述，通过众包方式由多名人工评估者对每对搜索-产品组合进行相关性评分（1至3分），最终取均值作为标签。这一设计不仅反映了用户意图与商品属性间的复杂映射关系，也为研究语义匹配、信息检索及自然语言处理模型提供了高质量基准。该数据集对电商搜索算法优化、推荐系统改进及跨领域迁移学习产生了深远影响，成为学术界与工业界验证相关性模型性能的重要参考。

当前挑战

该数据集面临的核心挑战在于多维度复杂性的交织。首先，搜索词与产品描述的语义鸿沟是根本难题：用户查询常包含口语化、模糊或错别字表达，而产品名称与描述则遵循结构化电商术语，导致词向量匹配难以捕捉深层关联。其次，评分标签的主观性构成挑战——尽管采用多人平均机制，但不同评估者对“部分相关”（如充电钻电池与AA电池的相似度判定）的尺度差异仍会引入噪声。构建过程中，评估者无法获取产品属性（如规格、材质）且仅能访问图像（而竞赛未提供图像数据），这一信息不对称加剧了模型泛化难度。此外，测试集包含未见搜索词，要求模型具备零样本或小样本推理能力，对基于统计共现的传统方法构成严峻考验。

常用场景

经典使用场景

在电子商务与信息检索的交叉领域中，Home Depot 产品搜索相关性数据集堪称衡量搜索算法精度的标杆。该数据集汇聚了来自家得宝官网的真实用户查询与产品信息，每条配对记录均经过多名人工评估者从1（不相关）到3（高度相关）的评分，最终以平均分作为标注。经典使用场景聚焦于训练和评估搜索引擎的相关性排序模型，例如利用查询与产品名称、描述之间的语义匹配，构建回归或排序学习框架，以精准预测用户查询与商品之间的相关程度。

解决学术问题

该数据集有效解决了电子商务搜索中查询与产品匹配的语义鸿沟问题。传统基于关键词的检索方法常因同义词、拼写错误或上下文缺失而失效，而此数据集通过人工标注的真实相关性分数，为研究语义理解、多模态融合及弱监督学习提供了基准。它推动了学术界对短文本匹配、特征工程与深度语义模型的探索，显著提升了搜索结果的精准度与用户满意度，成为信息检索领域不可或缺的评测资源。

实际应用

在实际应用中，该数据集助力电商平台优化搜索体验，直接改善商品发现效率。企业可基于此训练模型，自动识别用户模糊查询（如“AA电池”与“钻机电池”）的相关性层级，从而在搜索结果中优先展示高度相关商品，降低用户浏览成本。此外，它还能辅助构建个性化推荐系统，通过分析查询与产品属性的深层关联，提升转化率与用户黏性，尤其适用于大型零售平台的搜索排序与广告投放优化。

数据集最近研究

最新研究方向

在电商搜索与产品匹配的前沿研究中，Home Depot数据集因其聚焦于用户搜索词与商品之间的细粒度相关性预测而备受关注。当前研究方向主要围绕利用深度语义理解与多模态信息融合来提升相关性评分模型的鲁棒性，尤其是在缺乏图像与属性信息的场景下，如何通过文本表征学习捕捉隐式关联成为热点。该数据集推动了检索排序与推荐系统中可解释性指标的发展，其众包标注机制与真实业务场景的高度契合，为构建更贴近用户意图的智能搜索系统提供了重要基准。