Kamaljp/amazon_us_3000

---
dataset_info:
features:
- name: marketplace
dtype: string
- name: customer_id
dtype: string
- name: review_id
dtype: string
- name: product_id
dtype: string
- name: product_parent
dtype: string
- name: product_title
dtype: string
- name: product_category
dtype: string
- name: star_rating
dtype: int32
- name: helpful_votes
dtype: int32
- name: total_votes
dtype: int32
- name: vine
dtype:
class_label:
names:
'0': N
'1': Y
- name: verified_purchase
dtype:
class_label:
names:
'0': N
'1': Y
- name: review_headline
dtype: string
- name: review_body
dtype: string
- name: review_date
dtype: string
splits:
- name: train
num_bytes: 1391025
num_examples: 3000
download_size: 763643
dataset_size: 1391025
---
# Dataset Card for "amazon_us_3000"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

dataset_info:
特征：
- 名称：电商平台（marketplace）
数据类型：字符串
- 名称：客户ID（customer_id）
数据类型：字符串
- 名称：评论ID（review_id）
数据类型：字符串
- 名称：商品ID（product_id）
数据类型：字符串
- 名称：商品父ID（product_parent）
数据类型：字符串
- 名称：商品标题（product_title）
数据类型：字符串
- 名称：商品分类（product_category）
数据类型：字符串
- 名称：星级评分（star_rating）
数据类型：32位整型
- 名称：有用投票数（helpful_votes）
数据类型：32位整型
- 名称：总投票数（total_votes）
数据类型：32位整型
- 名称：Vine测评计划（vine）
数据类型：
类别标签：
类别名称：
'0': N
'1': Y
- 名称：已验证购买（verified_purchase）
数据类型：
类别标签：
类别名称：
'0': N
'1': Y
- 名称：评论标题（review_headline）
数据类型：字符串
- 名称：评论正文（review_body）
数据类型：字符串
- 名称：评论日期（review_date）
数据类型：字符串
数据集拆分：
- 名称：训练集（train）
数据字节数：1391025
样本数量：3000
下载大小：763643
数据集总大小：1391025
---
# "amazon_us_3000" 数据集卡片
如需更多信息，请参阅：https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards

原始信息汇总

数据集概述

数据集名称

amazon_us_3000

数据集特征

基本特征

• marketplace: 数据类型 - string
• customer_id: 数据类型 - string
• review_id: 数据类型 - string
• product_id: 数据类型 - string
• product_parent: 数据类型 - string
• product_title: 数据类型 - string
• product_category: 数据类型 - string
• star_rating: 数据类型 - int32
• helpful_votes: 数据类型 - int32
• total_votes: 数据类型 - int32
• vine: 数据类型 - class_label (0: N, 1: Y)
• verified_purchase: 数据类型 - class_label (0: N, 1: Y)
• review_headline: 数据类型 - string
• review_body: 数据类型 - string
• review_date: 数据类型 - string

数据集拆分

• train:
  • 数据大小: 1391025 字节
  • 示例数量: 3000

数据集大小

• 下载大小: 763643 字节
• 数据集总大小: 1391025 字节

搜集汇总

数据集介绍

构建方式

在电子商务与用户行为分析领域，高质量评论数据集是理解消费者偏好与产品反馈的关键。该数据集源自亚马逊美国站点的公开评论信息，经过采样与结构化处理，构建了一个包含3000条训练样本的精简集合。每条记录涵盖市场标识、客户与产品唯一编码、产品标题及类别、星级评分、投票统计、Vine计划与验证购买标签、评论标题、正文内容及日期等15个字段，数据以表格形式存储，便于直接加载与分析。

特点

该数据集以紧凑的规模呈现了丰富的多维特征，兼具实用性与代表性。其核心优势在于融合了结构化元数据与文本内容，包括产品层级信息、用户互动指标（如有用票数与总票数）以及二分类标签（Vine计划与验证购买），为情感分析、推荐系统及评论质量评估等任务提供了多样化的研究视角。3000条精心筛选的样本平衡了数据完整性与处理效率，尤其适合小样本学习与原型开发场景。

使用方法

研究者可通过HuggingFace Datasets库便捷加载此数据集，直接调用`load_dataset('Kamaljp/amazon_us_3000')`即可获取训练分割。数据以字典形式提供，支持按字段索引访问。典型应用包括：利用`review_body`进行文本分类或情感挖掘，结合`star_rating`与`helpful_votes`构建回归或排序模型。建议将`review_date`转换为时间戳以分析趋势，并对`vine`与`verified_purchase`标签进行交叉分析以探究评论可信度。

背景与挑战

背景概述

在电子商务蓬勃发展的时代，用户生成内容（UGC）如产品评论已成为驱动消费决策与市场洞察的核心数据源。Kamaljp/amazon_us_3000数据集由研究者Kamal等人从亚马逊美国站海量评论中精心抽取3000条样本构建而成，旨在为自然语言处理与推荐系统领域提供一个轻量级、多维度的小型基准测试集。该数据集囊括了从市场标识、客户与产品ID到星级评分、有用投票数、Vine计划标识、验证购买状态及评论文本与日期等十余项结构化与非结构化特征，其设计兼顾了评论情感分析、虚假评论检测、产品属性关联挖掘等核心研究问题。作为Amazon Reviews系列数据集的精简版本，它降低了大规模计算资源门槛，尤其适合教学演示、模型快速原型验证与特征工程实验，为中小企业与学术团队探索评论数据价值提供了便捷入口。

当前挑战

当前数据集面临的核心挑战涵盖领域问题与构建过程两个层面。在领域问题方面，数据集仅包含3000条样本，远不足以支撑深度学习模型对评论语义复杂性的充分学习，尤其对长尾产品类别或罕见情感模式（如讽刺、比较性评论）的泛化能力极为薄弱；同时，数据中隐含的类不平衡问题（如星级评分分布偏斜、Vine与非Vine用户比例悬殊）易导致模型偏向多数类，影响公平性与鲁棒性。在构建过程中，原始海量数据筛选为3000条样本时，若采用随机抽样而非分层策略，则可能丢失特定市场分区或产品类别的代表性，引入采样偏差；此外，单一时间截面的数据缺乏时序演化信息，无法追踪用户偏好与产品口碑的动态变化，限制了其在趋势预测与时效性分析任务中的应用潜力。

常用场景

经典使用场景

在电商与自然语言处理交叉领域，Kamaljp/amazon_us_3000数据集作为亚马逊用户评论的精选子集，常被用于情感分析模型的基准测试与训练。研究者利用其包含的星级评分与评论文本，可构建细粒度的情感分类任务，探究用户对产品的情感倾向与评分之间的映射关系。该数据集简洁的规模与丰富的字段，使其成为验证文本预处理、特征提取及分类算法效能的理想平台，尤其在资源受限的学术探索初期，为快速迭代模型原型提供了便利。

衍生相关工作

围绕该数据集，学术界已衍生出一系列经典工作，包括基于注意力机制的层次化情感分类模型、融合多模态特征的评论有用性预测框架，以及利用对比学习增强评论文本表示的预训练方法。这些工作不仅深化了对电商评论语料中隐含用户意图与产品属性的理解，还催生了面向小样本场景的迁移学习策略，将数据集的经验推广至跨领域产品评论分析中。此外，基于该数据的评论生成与摘要任务研究，也为自然语言生成技术在电商领域的落地提供了重要参考。

数据集最近研究

最新研究方向

在电子商务与自然语言处理的交叉领域，Kamaljp/amazon_us_3000数据集凭借其包含市场标识、客户评价、产品元数据及用户互动指标（如有用投票数、验证购买状态）的结构化特征，已成为细粒度情感分析与虚假评论检测研究的重要基石。当前前沿研究聚焦于利用该数据集的星标评分与评论文本构建多模态情感模型，探索基于Vine计划标识和验证购买标签的欺诈行为识别算法，并借助产品类别与标题信息开展跨领域情感迁移学习。这一方向与电子商务平台打击虚假评论、提升用户决策信任度的热点事件紧密相连，其影响在于推动可解释性AI在商业场景中的落地，为构建更透明、可信的线上消费环境提供数据驱动的理论支撑。