20-million-bluesky-posts

## 20 Million Bluesky Posts

This dataset contains 20 million public posts collected from Bluesky Social's firehose API.

The data is **anonymized** (VERY IMPORTANT POINT). The full dataset could lead to legal issues. If you want your posts removed, I do not know how to as I can't map DID -> Posts.

## Dataset Description

This dataset consists of 20 million **public** (AS IN OPENLY AVAILABLE) posts from Bluesky Social, collected through the platform's firehose API.

- **Language(s) (NLP)**: Multiple (primarily English) (Lang prediction in dataset)
- **License**: Dataset usage is subject to Bluesky's Terms of Service

## Restricted access
The requests will be accepted automatically. I just want to know who has access to this data.

## Bias, Risks, and Limitations
This is not intended to hurt anyone, and I created it because I love making funny graphs. I do not intend to do any other NLP on this data.

2000万条Bluesky帖子

本数据集包含2000万条通过Bluesky社交平台firehose API采集的公开帖子。

本数据集已做**匿名化**处理（极为重要的说明）。完整数据集可能引发法律纠纷。若您希望移除自己的帖子，由于无法建立DID（Decentralized Identifier，去中心化标识符）与帖子的映射关系，我暂无办法完成该操作。

### 数据集说明
本数据集包含2000万条**公开**（即公开可获取）的Bluesky社交平台帖子，均通过该平台的firehose API采集而来。
- **自然语言处理相关语言类型**：多语言（以英语为主）（数据集内置语言预测标注）
- **授权协议**：数据集的使用需遵循Bluesky的服务条款

### 访问权限
访问申请将自动通过审核。我仅希望了解实际获取本数据集的用户身份。

### 偏倚、风险与局限性
本数据集无意对任何人造成伤害，制作初衷仅为制作趣味图表。本人无意对该数据集开展其他自然语言处理相关工作。

搜集汇总

背景与挑战

背景概述

该数据集包含从Bluesky Social的firehose API收集的2000万条公开帖子，数据已匿名化处理。使用受Bluesky服务条款约束，主要语言为英语，旨在用于非NLP目的如生成图表。