reczoo/Criteo_x2

该数据集使用了Criteo 1TB点击日志，包含一个月的点击数据，数据样本数量达到数十亿。为了减少标签不平衡，进行了负采样，使得正样本比例保持在50%左右。数据集包含13个数值特征字段和26个分类特征字段，其中数值字段通过分桶转换为分类值，出现次数少于20次的分类特征被设置为默认的<OOV>特征。数据集分为训练集和测试集，训练集使用data 6-12，测试集使用day-13。

原始信息汇总

Criteo_x2 数据集概述

数据集描述

Criteo_x2 数据集基于 Criteo 1TB Click Logs，用于展示广告，包含一个月的点击数据，拥有数十亿数据样本。根据 AutoGroup 工作的设置，选择 "data 6-12" 作为训练集，"day-13" 作为测试集。为了减少标签不平衡，进行了负样本子采样，使得正样本比例大致为 50%。该数据集包含 13 个数值特征字段和 26 个类别特征字段。在此设置中，13 个数值字段通过分桶转换为类别值，而出现次数少于 20 次的类别特征被设置为默认的 <OOV> 特征。

数据集统计

数据集划分	总计	训练集	验证集	测试集
Criteo_x2	99,616,043	86,883,012		12,733,031

数据完整性校验

bash $ md5sum train.csv test.csv d4d08405e95836ee049455cae0f8b0d6 train.csv 32c14fbc7bfe02e72b501793e8db660b test.csv

搜集汇总

数据集介绍

构建方式

Criteo_x2数据集源自Criteo 1TB点击日志，专为展示广告领域的点击率预估任务设计。该数据集遵循AutoGroup工作的设定，选取第6至12天的数据作为训练集，第13天数据作为测试集。为缓解标签不平衡问题，研究团队通过负样本下采样将正样本比例调整至约50%。在特征处理上，数据集包含13个数值型特征字段与26个类别型特征字段，其中数值字段通过分桶转化为类别值，而出现次数低于20次的类别特征则被统一归为默认的<OOV>特征。最终构建的训练集包含86,883,012个样本，测试集包含12,733,031个样本，总计近一亿条记录。

特点

该数据集的核心特点在于其大规模与高代表性，涵盖了一个月的点击流数据，样本量达99,616,043条，为深度学习模型的训练提供了充足的数据基础。通过负采样策略，数据集实现了正负样本的均衡分布，有效降低了模型训练中的类别偏差。特征工程方面，数值特征的分桶处理与低频类别特征的OOV映射，增强了特征的鲁棒性与泛化能力。此外，数据集严格遵循学术界广泛认可的训练-测试划分方式，便于与既有研究进行公平对比，尤其适用于探索高阶特征交互的点击率预测模型。

使用方法

用户可通过HuggingFace平台直接加载该数据集，具体路径为reczoo/Criteo_x2。下载后需使用md5sum校验数据完整性，训练文件train.csv与测试文件test.csv的校验码已提供。数据集可直接用于点击率预估模型的训练与评估，支持基于AutoGroup等论文的复现工作。由于数据已预处理好数值与类别特征，用户无需额外进行特征工程，仅需按需定义模型输入层。建议将训练集用于模型拟合，测试集用于性能验证，以评估模型在广告推荐场景下的泛化能力。

背景与挑战

背景概述

在计算广告领域，点击率（CTR）预测是核心任务之一，其目标是通过用户历史行为与广告特征建模，精准预估用户点击广告的概率。Criteo_x2数据集源自Criteo公司发布的1TB点击日志（Criteo 1TB Click Logs），该日志收录了为期一个月的展示广告点击数据，包含数十亿样本，由Criteo AI Lab于2014年左右公开。该数据集由研究机构RecZoo团队基于AutoGroup论文（SIGIR 2020）的设置进行加工，选取第6至12天的数据作为训练集，第13天作为测试集，并通过负采样将正样本比例平衡至约50%。数据包含13个数值特征与26个类别特征，数值字段经分桶转化为类别特征，低频出现次数少于20次的类别被归为<OOV>。Criteo_x2以其海量样本和真实广告场景，成为CTR预测模型验证的经典基准，推动了特征交互建模与深度学习排序算法的发展。

当前挑战

Criteo_x2数据集所解决的领域问题是CTR预测中的高维稀疏特征交互建模，传统线性模型难以捕捉复杂非线性关系，而深度模型面临过拟合与计算效率的平衡挑战。在构建过程中，首先面临数据规模巨大的难题——原始日志包含数十亿样本，需进行高效采样与分割，确保训练集（约8688万样本）与测试集（约1273万样本）的分布一致性。其次，标签不平衡是常见挑战，原始CTR数据中正样本比例极低，为此采用负采样将正比提升至约50%，但这可能引入偏差，需后续模型校准。数值特征的分桶操作需合理选择边界，以避免信息损失，而类别特征中低频值的统一归为<OOV>处理，则需权衡泛化能力与语义保留。此外，数据完整性验证通过md5sum确保文件未损坏，但大规模数据的存储与读取对基础设施提出高要求。

常用场景

经典使用场景

Criteo_x2数据集源自Criteo 1TB点击日志，专注于展示广告领域的点击率（CTR）预测任务。该数据集经过精心预处理，保留了13个数值特征和26个类别特征，并通过分箱操作将数值特征转化为类别形式，同时过滤低频类别以增强鲁棒性。其经典使用场景在于训练和评估深度学习模型对高维稀疏特征交互的建模能力，常被作为基准数据集用于对比不同CTR预估算法的性能。

解决学术问题

该数据集有效解决了广告点击率预测中特征交互建模的学术难题，特别是高维稀疏特征组合的自动学习问题。通过提供大规模、类别平衡的点击日志，研究者得以探索如何从海量特征中自动发现有效特征组，克服传统人工特征工程效率低下的局限。其意义在于推动了特征交叉网络、注意力机制等模型在推荐系统领域的理论发展，为理解用户点击行为提供了标准化实验平台。

衍生相关工作

该数据集衍生了一系列经典研究工作，其中最具代表性的是AutoGroup模型，其通过自动特征分组机制显式建模高阶特征交互，显著提升了CTR预测精度。后续工作如FiBiNET、DeepFM等也常采用该数据集作为验证基准，推动了特征重要性动态加权、双线性交互等创新思路的涌现。这些研究共同构建了从特征工程到自动特征学习的演进脉络，为工业级推荐系统的迭代提供了重要参考。