fragrance-recommendation-dataset

该数据集用于研究项目《基于人格特质和皮肤电活动的个性化芳香疗法香水推荐：一种机器学习方法》。包含从人格特质评估和皮肤电活动（EDA）信号中提取的特征，用于个性化香水推荐建模。

This dataset is used for the research project titled "Personalized Aromatherapy Perfume Recommendation Based on Personality Traits and Electrodermal Activity (EDA): A Machine Learning Approach". It includes features extracted from personality trait assessments and electrodermal activity (EDA) signals, which are utilized for developing models for personalized perfume recommendation.

原始信息汇总

个性化香氛推荐数据集概述

📌 数据集基本信息

• 数据集名称: Personalized Fragrance Recommendation for Aromatherapy
• 研究项目: "Personalized Fragrance Recommendation for Aromatherapy: A Machine Learning Approach Based on Personality Traits and Electrodermal Activity"
• 数据文件: feature.csv（预处理后的数据集）

📂 数据内容

• 数据类型: 预处理特征数据
• 特征来源:
  • 人格特质评估
  • 皮肤电活动（EDA）信号

🔒 数据访问

• 原始数据状态: 受广东工业大学（GDUT）数据管理政策保护
• 访问方式: 学术或研究用途需通过邮件申请
• 联系邮箱: [e-mail]
• 审核机制: 个案审查以确保数据使用合规

📝 注意事项

• 数据收集过程受伦理监督
• 图形摘要和实验图示见原仓库（不包含在数据文件中）

搜集汇总

数据集介绍

构建方式

在芳香疗法个性化推荐领域，该数据集的构建采用了多模态数据融合策略。研究团队通过严谨的实验设计，采集了受试者的人格特质评估数据和皮肤电活动（EDA）信号，经过专业预处理后形成特征矩阵。数据收集过程遵循广东工业大学的伦理审查标准，确保实验数据的科学性和隐私保护。

特点

该数据集的核心价值在于其独特的跨模态特征组合。人格特质维度与生理信号特征的有机结合，为探索个性化香氛推荐提供了创新性数据基础。特征文件采用结构化存储，便于机器学习模型直接调用分析，同时保留了原始数据的生物特征有效性。

使用方法

研究者可通过特征文件快速构建推荐模型，该数据集特别适用于监督学习框架下的分类任务。学术机构需通过正式申请流程获取完整数据，使用时应遵守约定的研究伦理。数据格式设计考虑了算法兼容性，支持主流机器学习库的直接读取和处理。

背景与挑战

背景概述

由广东工业大学主导的‘fragrance-recommendation-dataset’数据集，致力于探索芳香疗法中个性化香氛推荐的机器学习方法。该研究创新性地融合人格特质评估与皮肤电活动信号特征，旨在建立用户生理-心理特征与香氛偏好之间的量化关联模型。数据集通过实验心理学范式采集，体现了跨学科研究在健康计算领域的应用价值，为情感计算与个性化健康服务提供了新的数据范式。

当前挑战

该数据集面临双重挑战：在领域问题层面，需解决心理生理信号与主观香氛偏好间非线性映射的建模难题，其信噪比低且个体差异显著；在构建过程中，皮肤电活动信号的时变特性要求精密的数据同步采集，而人格特质问卷的跨文化效度验证亦增加了研究复杂度。此外，伦理审查机制导致原始数据共享受限，对后续研究可复现性提出更高要求。

常用场景

经典使用场景

在芳香疗法领域，个性化香氛推荐系统正逐渐成为研究热点。该数据集通过整合人格特质评估与皮肤电活动信号特征，为机器学习模型提供了独特的训练素材。研究者可利用该数据集构建推荐算法，分析不同人格特质个体对特定香气的生理反应模式，从而实现精准的香氛匹配。

衍生相关工作

基于该数据集的特征工程方法，衍生出《基于多模态生理信号的香氛偏好预测》等系列研究。其数据采集范式被Adaptive Aromatherapy Framework项目改进应用，相关特征提取技术更推动了《人格特质与嗅觉感知的神经机制》跨学科研究的突破性进展。

数据集最近研究

最新研究方向

在个性化健康护理领域，芳香疗法因其非侵入性和心理生理双重调节特性备受关注。fragrance-recommendation-dataset通过融合人格特质评估与皮肤电活动信号，为机器学习驱动的个性化香氛推荐系统提供了创新性数据基础。当前研究聚焦于多模态特征融合算法的优化，探索神经科学与行为心理学交叉维度下用户偏好的深层关联机制。该数据集推动了智能健康设备与情绪调节技术的融合发展，其跨学科特性为抑郁症辅助治疗、压力管理等前沿应用提供了重要数据支撑。