有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
cogsci13/Amazon-Reviews-2023-Books-Meta|图书评论数据集|推荐系统数据集
收藏hugging_face2024-04-18 更新2024-06-12 收录
下载链接：
https://hf-mirror.com/datasets/cogsci13/Amazon-Reviews-2023-Books-Meta
下载链接
链接失效反馈资源简介：
Amazon Reviews 2023 (Books Only) 是一个大规模的书籍评论数据集，由McAuley Lab在2023年收集。该数据集包含571.54M条评论，比上一版本大245.2%。数据集提供了丰富的用户评论特征，如评分、文本、有用投票等，以及书籍的详细元数据，如描述、价格、原始图像等。此外，数据集还包括了从1996年5月到2023年9月的最新交互数据，以及细粒度的时间戳和清洁的元数据处理。数据集还提供了标准的数据分割，以鼓励推荐系统的基准测试。
提供机构：
cogsci13
原始信息汇总
数据集概述：Amazon Reviews 2023 (Books Only)
数据集基本信息
- 名称: Amazon Reviews 2023 (Books Only)
- 语言: 英语
- 标签: 推荐系统, 评论
- 大小: 100M<n<1B
数据集内容
- 来源: 由McAuley Lab在2023年收集
- 包含内容:
- 用户评论: 包括评分、文本、有用投票等;
- 商品元数据: 包括描述、价格、原始图像等。
数据集更新
- 首次发布: 2024年4月18日
- 更新内容:
- 数据集大小: 收集了571.54M条评论，比上一版本大245.2%;
- 交互时间范围: 从1996年5月到2023年9月;
- 元数据丰富度: 增加了商品元数据的描述性特征;
- 时间戳精度: 交互时间戳精度达到秒级或更细;
- 数据处理: 商品元数据比之前版本更清洁;
- 标准分割: 提供标准的数据分割，以促进推荐系统基准测试。
数据集统计
- 分类统计:
数据集字段
用户评论
| 字段 | 类型 | 说明 |
|---|---|---|
| rating | float | 产品评分（1.0到5.0） |
| title | str | 用户评论标题 |
| text | str | 用户评论文本 |
| images | list | 用户上传的产品图像 |
| asin | str | 产品ID |
| parent_asin | str | 产品父ID |
| user_id | str | 评论者ID |
| timestamp | int | 评论时间（Unix时间） |
| verified_purchase | bool | 用户购买验证 |
| helpful_vote | int | 评论的有用投票 |
商品元数据
| 字段 | 类型 | 说明 |
|---|---|---|
| main_category | str | 产品主类别 |
| title | str | 产品名称 |
| average_rating | float | 产品页面显示的评分 |
| rating_number | int | 产品评分数量 |
| features | list | 产品特征（点格式） |
| description | list | 产品描述 |
| price | float | 产品价格（爬取时） |
| images | list | 产品图像 |
| videos | list | 产品视频 |
| store | str | 产品商店名称 |
| categories | list | 产品类别层次 |
| details | dict | 产品详细信息 |
| parent_asin | str | 产品父ID |
| bought_together | list | 网站推荐的捆绑销售 |
数据集引用
bibtex @article{hou2024bridging, title={Bridging Language and Items for Retrieval and Recommendation}, author={Hou, Yupeng and Li, Jiacheng and He, Zhankui and Yan, An and Chen, Xiusi and McAuley, Julian}, journal={arXiv preprint arXiv:2403.03952}, year={2024} }
AI搜集汇总
数据集介绍
构建方式
该数据集由McAuley Lab在2023年精心构建，专注于亚马逊书籍评论的收集与整理。数据集不仅涵盖了用户评论的详细信息，如评分、文本、有用性投票等，还包含了书籍的丰富元数据，如描述、价格、原始图像等。通过从1996年5月至2023年9月的广泛交互数据中筛选，确保了数据的新鲜性和全面性。此外，数据集还进行了精细的时间戳处理，提供了秒级的交互时间记录，并采用了标准的数据分割策略，以支持推荐系统的基准测试。
特点
该数据集的显著特点在于其大规模和多样性。数据集包含了571.54M条评论，比之前的版本增加了245.2%，且提供了更丰富的元数据描述。此外，数据集还包含了细粒度的时间戳信息，使得研究者可以进行更精确的时间序列分析。数据集的清洗处理也更为严格，确保了元数据的准确性和一致性。标准化的数据分割策略进一步增强了其在推荐系统研究中的应用价值。
使用方法
使用该数据集时，用户可以通过HuggingFace的datasets库轻松加载数据。对于用户评论，可以使用`load_dataset`函数加载`raw_review_Books`数据集，并访问其中的详细字段，如评分、评论文本、图片等。对于书籍的元数据，可以使用`raw_meta_Books`数据集，获取书籍的标题、价格、分类等信息。数据集的详细字段说明和加载示例可在官方文档中找到，确保用户能够高效地利用这些数据进行研究和开发。
背景与挑战
背景概述
Amazon Reviews 2023 (Books Only)数据集由McAuley Lab于2023年创建，旨在为推荐系统和自然语言处理领域提供丰富的用户评论和商品元数据。该数据集包含了从1996年5月至2023年9月的用户交互数据，涵盖了书籍类别的详细评论信息，如评分、文本、有用性投票等，以及商品的描述、价格、图像等元数据。该数据集的发布不仅为研究人员提供了大规模的基准数据，还通过标准化的数据分割策略，促进了推荐系统领域的基准测试和算法比较。
当前挑战
该数据集在构建过程中面临多项挑战。首先，数据规模庞大，处理和存储571.54M条评论和相关元数据需要高效的计算资源和存储解决方案。其次，数据的时间跨度长，涵盖了从1996年至今的交互数据，这要求数据清洗和处理过程中需考虑不同时期的数据格式和内容变化。此外，数据集中包含了丰富的元数据，如图像和视频，这些多媒体数据的处理和分析增加了数据集的复杂性。最后，如何确保数据的质量和一致性，特别是在处理缺失或不完整的元数据时，也是一个重要的挑战。
常用场景
经典使用场景
在推荐系统领域，cogsci13/Amazon-Reviews-2023-Books-Meta数据集的经典使用场景主要集中在用户评论分析与商品推荐算法的优化上。通过分析用户对书籍的评分、评论文本、帮助性投票等数据，研究者可以构建更为精准的用户画像和商品特征模型，从而提升推荐系统的个性化和准确性。此外，该数据集的丰富元数据（如商品描述、价格、图片等）为多模态推荐系统提供了宝贵的资源，使得推荐算法能够综合考虑文本、图像等多种信息源，进一步增强推荐效果。
实际应用
在实际应用中，cogsci13/Amazon-Reviews-2023-Books-Meta数据集被广泛应用于电子商务平台的推荐系统优化。通过分析用户评论和商品元数据，电商平台能够为用户提供更为精准的书籍推荐，提升用户体验和购买转化率。此外，该数据集还可用于市场分析，帮助出版商和书商了解用户对不同书籍的反馈，从而优化出版策略和库存管理。在教育领域，该数据集也可用于构建个性化学习资源推荐系统，帮助学生和教师更高效地选择合适的教材和参考书籍。
衍生相关工作
基于cogsci13/Amazon-Reviews-2023-Books-Meta数据集，研究者们开展了多项经典工作。例如，有研究利用该数据集进行用户评论情感分析，探索情感因素对推荐系统的影响；还有研究通过多模态信息融合技术，构建了更为精准的书籍推荐模型。此外，该数据集还被用于开发和评估新型推荐算法，如基于图神经网络的推荐系统，以及结合时间序列分析的动态推荐模型。这些衍生工作不仅丰富了推荐系统的理论研究，也为实际应用提供了新的技术支持。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
My Sexy Neighbor 🔞 Prologue Review Stats and Historical Trends
The My Sexy Neighbor 🔞 Prologue Steam review dataset lets you explore review stats, trends, and history for My Sexy Neighbor 🔞 Prologue reviews on Steam. Data is aggregated month over month going back to November 2024.
steambase.io 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录
AIS数据集
该研究使用了多个公开的AIS数据集，这些数据集经过过滤、清理和统计分析。数据集涵盖了多种类型的船舶，并提供了关于船舶位置、速度和航向的关键信息。数据集包括来自19,185艘船舶的AIS消息，总计约6.4亿条记录。
github 收录
LFW (Labeled Faces in the Wild)
Labeled Faces in the Wild，是一个人脸照片数据库，旨在研究无约束的人脸识别问题。该数据集包含从网络收集的超过 13,000 张人脸图像。每张脸都标有图中人物的名字。照片中的 1680 人在数据集中有两张或更多张不同的照片。这些人脸的唯一限制是它们是由 Viola-Jones 人脸检测器检测到的。更多细节可以在下面的技术报告中找到。
OpenDataLab 收录
CODrone
CODrone 是一个为无人机设计的全面定向目标检测数据集，它准确反映了真实世界条件。该数据集包含来自多个城市在不同光照条件下的广泛标注图像，增强了基准的逼真度。CODrone 包含超过 10,000 张高分辨率图像，捕获自五个城市的真实无人机飞行，涵盖了各种城市和工业环境，包括港口和码头。为了提高鲁棒性和泛化能力，它包括在正常光线、低光和夜间条件下相同场景的图像。我们采用了三种飞行高度和两种常用的相机角度，从而产生了六个不同的视角配置。所有图像都针对 12 个常见对象类别进行了定向边界框标注，总计超过 590,000 个标记实例。总体而言，这项工作构建了一个综合数据集和基准，用于城市无人机场景中的定向目标检测，旨在满足该领域的研究和实践应用需求。
arXiv 收录