liyucheng/mind-interests

该数据集包含多个特征，如id、类别、子类别、标题、内容、URL和兴趣。数据集分为一个训练集，包含49998个样本，总大小为22716757字节。下载大小为13254075字节。数据集的配置名为default，数据文件路径为data/train-*。

This dataset includes multiple features such as id, category, subcategory, title, content, url, and interests. The dataset is divided into one training set containing 49998 samples, with a total size of 22716757 bytes. The download size is 13254075 bytes. The datasets configuration name is default, and the data file path is data/train-*.

搜集汇总

数据集介绍

构建方式

在个性化推荐与用户兴趣建模领域，精准的兴趣标签数据是提升算法效果的关键。liyucheng/mind-interests数据集基于微软新闻推荐数据集MIND构建，通过提取新闻文章的多层次信息，将原始数据转化为结构化的兴趣标签体系。构建过程中，每条样本保留了新闻的唯一标识、类别、子类别、标题、正文内容及来源链接，并关联了用户对该新闻的兴趣标签序列。数据以JSON格式存储，共包含约5万条训练样本，确保数据规模足以支撑模型训练。

特点

该数据集的核心特色在于其层次化的类别结构与兴趣标签的序列化表示。每条数据均包含粗粒度的category与细粒度的subcategory，形成双层级分类体系，便于模型从宏观到微观理解内容主题。interests字段以字符串序列形式存储多标签兴趣信息，能够捕捉用户对同一新闻的多维度兴趣偏好。此外，数据集保留了完整的新闻文本内容与标题，支持基于语义的深度特征提取，为构建用户兴趣预测模型提供了丰富的特征基础。

使用方法

使用该数据集时，可直接通过HuggingFace的datasets库加载，指定配置名为default并读取train分片。数据以字典形式返回，包含id、category、subcategory、title、content、url及interests七个字段。研究者可将category和subcategory作为分类特征，interests作为多标签预测目标，构建序列标注或多标签分类模型。文本字段title和content可结合预训练语言模型进行语义编码，用于端到端的兴趣预测任务。数据无需额外预处理即可直接用于训练与评估。

背景与挑战

背景概述

在个性化推荐与用户兴趣建模领域，精准捕捉用户隐式偏好是提升系统效能的关键瓶颈。liyucheng/mind-interests数据集由研究团队于近年构建，旨在从新闻文本中挖掘用户兴趣标签，以支撑基于内容的推荐算法研究。该数据集包含近5万条训练样本，每条样本涵盖新闻标题、正文、分类层级及用户兴趣序列，为多标签分类与兴趣预测任务提供了结构化基准。其发布填补了中文语境下细粒度兴趣标注数据的空白，推动了跨领域兴趣迁移学习与动态兴趣演化建模的发展，对新闻聚合平台、社交媒体及电商推荐系统具有显著应用价值。

当前挑战

该数据集面临的核心挑战在于兴趣标签的稀疏性与长尾分布问题，用户兴趣序列中高频标签集中于少数类别，导致模型对低频兴趣的泛化能力不足。构建过程中，人工标注的一致性难以保证，不同标注者对兴趣边界的主观判断差异可能引入噪声。此外，新闻内容的时效性使得兴趣标签具有动态演化特性，静态数据集难以覆盖用户兴趣的实时变迁。多级分类层级（如类别与子类别）间的语义重叠进一步增加了标签歧义性，需设计层次化学习策略以缓解此矛盾。

常用场景

经典使用场景

在新闻推荐与个性化内容分发领域，liyucheng/mind-interests数据集被广泛用于训练和评估基于用户兴趣建模的推荐算法。该数据集源自微软新闻数据集（MIND），通过精心提取新闻文章的标题、内容、类别及子类别信息，并结合用户兴趣标签，为研究者提供了一个多维度、结构化的用户-新闻交互基准。其经典使用场景包括构建序列推荐模型、多任务学习框架以及跨领域兴趣迁移方法，尤其适用于探索如何从稀疏的新闻文本中精准捕捉用户动态兴趣偏好。

解决学术问题

该数据集主要解决了新闻推荐中用户兴趣表征稀疏性与动态性的学术难题。传统方法依赖显式反馈（如点击率），而MIND-Interests通过提供细粒度的兴趣标签序列，使研究者能够建模用户隐式兴趣的演化规律。它助力攻克了冷启动用户推荐质量低下、长尾新闻曝光不足等关键问题，推动了基于注意力机制、图神经网络以及对比学习的兴趣建模方法发展，显著提升了推荐系统的鲁棒性与个性化程度。

衍生相关工作

基于MIND-Interests数据集，衍生了一系列经典研究工作。例如，微软研究院提出的NRMS（Neural News Recommendation with Multi-Head Self-Attention）模型利用该数据集验证了多头注意力机制在新闻编码中的有效性；后续的LSTUR（Long and Short-Term User Representation）模型则结合用户长期与短期兴趣进行建模。此外，该数据集还被用于对比学习框架（如SGLRec）和图神经网络（如HieRec）的基准测试，推动了新闻推荐领域从浅层特征交叉向深层语义理解的范式演进。