criteo/CriteoClickLogs

Criteo 1TB点击日志数据集包含数百万条展示广告的特征值和点击反馈信息，主要用于点击率（CTR）预测算法的基准测试。数据集包含24个文件，每个文件对应一天的数据。数据集由24天的Criteo流量构成，每行代表一次由Criteo服务的展示广告，第一列表示广告是否被点击（1表示点击，0表示未点击）。数据集包括13个整数特征和26个分类特征，其中一些特征可能包含缺失值。数据按时间顺序排列，字段之间用制表符分隔。

The Criteo 1TB Click Logs Dataset contains feature values and click feedback for millions of display ads, primarily used for benchmarking algorithms for clickthrough rate (CTR) prediction. The dataset consists of 24 files, each corresponding to a day of data. It is constructed from 24 days of Criteo traffic, with each row representing a display ad served by Criteo. The first column indicates whether the ad was clicked (1) or not clicked (0). The dataset includes 13 integer features and 26 categorical features, with some features possibly containing missing values. The data is chronologically ordered and columns are tab-separated.

搜集汇总

数据集介绍

构建方式

Criteo 1TB Click Logs数据集由Criteo公司基于其在线展示广告流量构建，旨在为点击率预测算法提供大规模基准测试。该数据集包含24天的广告投放日志，每一天的数据独立存储为一个文件。每条记录对应一条展示广告，首列标记用户是否点击（1）或未点击（0）。为保护商业机密，正负样本均以不同比例进行子采样，以隐藏原始分布信息。数据按时间顺序排列，采用制表符分隔格式，缺失字段留空。

特点

该数据集包含39个特征，包括13个整数特征和26个类别特征。整数特征多为计数型，反映广告、用户或上下文的数值属性。类别特征经过32位哈希匿名化处理，其语义含义未公开。部分特征可能存在缺失值。相较于Kaggle竞赛版本，本数据集覆盖不同时间段，子采样比例、特征顺序、计算方式及哈希函数均有差异，确保了数据的新颖性和挑战性。

使用方法

该数据集主要用于点击率预测模型的训练与评估。用户可通过HuggingFace Datasets库加载数据，并利用其文本分类任务属性进行模型开发。数据以每日文件形式组织，便于按时间分割训练集和测试集。建议在使用前处理缺失值，并对整数特征进行归一化或分箱处理。类别特征因已哈希，可直接作为整数输入模型，或进行嵌入学习。数据集规模超过1TB，适合分布式计算环境下的模型训练。

背景与挑战

背景概述

在计算广告学领域，点击率（CTR）预测是衡量广告投放效果与优化竞价策略的核心任务。Criteo 1TB Click Logs数据集由全球领先的展示广告技术公司Criteo于其内部研究团队构建，旨在为大规模CTR预测算法提供标准化基准测试平台。该数据集收集了连续24天的真实展示广告流量，涵盖超过1TB的日志数据，每条记录包含是否被点击的标签以及13个整数特征与26个经哈希匿名化的类别特征。相较于2014年Kaggle展示广告挑战赛所发布的版本，此数据集在时间跨度、采样比例、特征计算方式及哈希函数上均有显著差异，从而推动学界与工业界在特征工程、模型架构及分布式训练等方向上开展更贴近真实场景的研究。其影响力体现在成为CTR预测领域引用最广泛的基准之一，催生了如DeepFM、xDeepFM等经典模型的性能验证。

当前挑战

该数据集所解决的领域问题在于高维稀疏特征空间中精准预测用户点击行为的挑战：展示广告场景中特征维度极高、交叉组合复杂，且正负样本极度不平衡（点击率通常不足1%），传统逻辑回归模型难以充分捕捉非线性模式。此外，构建过程中面临多重技术难点：首先，为保护商业机密，所有类别特征通过不同哈希函数匿名化处理，导致原始语义信息完全丢失，模型需在无先验知识下学习特征表征；其次，正负样本采用非均匀子采样策略，不同日期的采样率存在差异，引入样本分布偏移，需设计校正机制；再者，部分特征存在缺失值，且数据量级达到TB级别，对存储、I/O及分布式训练框架的稳定性提出严苛要求；最后，时间顺序排列的行数据隐含时序依赖，模型需兼顾短期与长期用户行为模式变化，避免过拟合到特定日期的噪声分布。

常用场景

经典使用场景

在计算广告学与推荐系统的研究领域中，点击率预测是衡量广告投放效果的核心任务。Criteo 1TB Click Logs数据集凭借其海量的真实展示广告日志，成为评估和优化点击率预测模型的标准基准。该数据集包含连续24天的广告流量记录，每一条样本均以是否被点击作为标签，并提供了13个整数型特征与26个经哈希处理的类别型特征，全面刻画了广告、用户及上下文的属性。研究者通常利用该数据集训练逻辑回归、因子分解机或深度神经网络等模型，以精准预测用户点击广告的概率，从而验证不同算法在大规模稀疏特征场景下的性能表现。

实际应用

在实际应用中，Criteo数据集训练的点击率预测模型被广泛部署于实时竞价广告系统中，助力广告平台实现精准受众定向与预算优化。广告主可依据模型输出的点击概率动态调整出价策略，将展示机会分配给高意向用户，从而提升广告投资回报率。此外，该数据集还用于开发广告创意优化工具，通过分析特征重要性指导素材设计与投放时段选择。在电商与内容平台中，基于该数据集的算法能够有效过滤低效曝光，减少用户干扰，同时提升广告收入与用户体验，成为连接广告主、媒体与用户三方价值的关键技术支撑。

衍生相关工作

围绕Criteo数据集，学术界与工业界涌现了一系列经典工作。2014年Kaggle展示广告挑战赛激发了大量特征工程与集成学习方法，随后因子分解机及其变体如场感知因子分解机被广泛验证。深度模型方面，Google提出的Wide & Deep模型首次将记忆与泛化能力结合，而华为的DeepFM则通过端到端方式融合因子分解机与深度神经网络，无需预训练特征交叉。此外，阿里巴巴的DIN和DIEN模型引入注意力机制与用户兴趣演化建模，进一步提升了点击率预测的时效性。这些工作均以Criteo数据集为重要基准，推动了点击率预测从浅层模型向深度学习的范式迁移。