aciborowska/customers-complaints

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
dataset_info:
features:
- name: Date_received
dtype: string
- name: Product
dtype: string
- name: Sub_product
dtype: string
- name: Issue
dtype: string
- name: Sub_issue
dtype: string
- name: Consumer_complaint_narrative
dtype: string
- name: Company_public_response
dtype: string
- name: Company
dtype: string
- name: State
dtype: string
- name: ZIP_code
dtype: string
- name: Tags
dtype: string
- name: Consumer_consent_provided?
dtype: string
- name: Submitted_via
dtype: string
- name: Date_sent_to_company
dtype: string
- name: Company response to consumer
dtype: string
- name: Timely_response?
dtype: string
- name: Consumer_disputed?
dtype: string
- name: Complaint_ID
dtype: int64
splits:
- name: train
num_bytes: 40340456
num_examples: 30000
download_size: 15875683
dataset_size: 40340456
---
# Dataset Card for "financial-customer-complaints-v5"

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

配置：
- 配置名称：default
数据文件：
- 拆分集：训练集（train）
路径：data/train-*
数据集信息：
特征字段：
- 字段名：投诉接收日期（Date_received），数据类型：字符串（string）
- 字段名：产品（Product），数据类型：字符串（string）
- 字段名：子产品（Sub_product），数据类型：字符串（string）
- 字段名：投诉问题（Issue），数据类型：字符串（string）
- 字段名：子问题（Sub_issue），数据类型：字符串（string）
- 字段名：消费者投诉叙述（Consumer_complaint_narrative），数据类型：字符串（string）
- 字段名：公司公开回复（Company_public_response），数据类型：字符串（string）
- 字段名：涉事公司（Company），数据类型：字符串（string）
- 字段名：州/省（State），数据类型：字符串（string）
- 字段名：邮政编码（ZIP_code），数据类型：字符串（string）
- 字段名：标签（Tags），数据类型：字符串（string）
- 字段名：消费者是否同意提供授权（Consumer_consent_provided?），数据类型：字符串（string）
- 字段名：提交渠道（Submitted_via），数据类型：字符串（string）
- 字段名：发送至公司日期（Date_sent_to_company），数据类型：字符串（string）
- 字段名：公司对消费者的回复（Company response to consumer），数据类型：字符串（string）
- 字段名：是否及时回复（Timely_response?），数据类型：字符串（string）
- 字段名：消费者是否提出争议（Consumer_disputed?），数据类型：字符串（string）
- 字段名：投诉ID（Complaint_ID），数据类型：64位整数（int64）
拆分集：
- 名称：训练集（train）
字节数：40340456
样本数量：30000
下载大小：15875683
数据集总大小：40340456

# “金融消费者投诉数据集v5（financial-customer-complaints-v5）”数据集卡片

[需补充更多信息](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

• financial-customer-complaints-v5

数据集配置

• 默认配置名称：default
  • 训练数据文件路径：data/train-*

数据集特征

• 特征列表及其数据类型：
  • Date_received: string
  • Product: string
  • Sub_product: string
  • Issue: string
  • Sub_issue: string
  • Consumer_complaint_narrative: string
  • Company_public_response: string
  • Company: string
  • State: string
  • ZIP_code: string
  • Tags: string
  • Consumer_consent_provided?: string
  • Submitted_via: string
  • Date_sent_to_company: string
  • Company response to consumer: string
  • Timely_response?: string
  • Consumer_disputed?: string
  • Complaint_ID: int64

数据集分割

• 训练集（train）
  • 字节数：40340456
  • 样本数：30000

数据集大小

• 下载大小：15875683
• 数据集大小：40340456

搜集汇总

数据集介绍

构建方式

在金融消费者保护领域，数据集的构建往往依赖于监管机构公开的投诉记录。本数据集基于美国消费者金融保护局（CFPB）的投诉数据库，通过系统化采集与整理流程形成。原始数据经过清洗与标准化处理，剔除了个人身份信息以确保隐私合规，同时保留了投诉的核心要素，如产品类别、问题描述及公司回应等关键字段。构建过程中采用分块存储策略，将三万条记录组织为训练集，便于高效访问与后续分析。

特点

该数据集涵盖了多元化的金融产品投诉，从信用卡到抵押贷款，每一投诉均包含详细的结构化字段与消费者叙述文本。其突出特点在于字段的完整性，不仅记录了投诉内容与公司反馈，还涉及投诉渠道、处理时效及争议状态等维度，为多角度分析提供了丰富素材。文本与结构化数据的结合，使得数据集既能支持自然语言处理任务，也能服务于分类与趋势预测等传统机器学习应用。

使用方法

研究人员可利用该数据集进行金融消费者行为分析或服务质量评估。在自然语言处理方面，消费者叙述文本适用于情感分析、主题建模或自动摘要生成。结构化字段则可用于构建分类模型，预测投诉处理结果或争议发生概率。使用前需注意数据的时间范围与地域限制，建议结合领域知识进行特征工程，以提升模型在金融监管场景下的解释性与实用性。

背景与挑战

背景概述

在金融监管与消费者权益保护领域，客户投诉数据的系统化分析对于识别市场风险、提升服务质量具有关键意义。数据集'aciborowska/customers-complaints'由研究人员或机构aciborowska构建，其核心研究问题聚焦于通过自然语言处理技术，对金融消费者投诉文本进行结构化解析与模式挖掘，以支持自动化投诉分类、趋势预测及监管响应优化。该数据集收录了涉及产品、问题描述、公司反馈等多维度字段的30000条投诉记录，自发布以来，为金融科技与监管科技领域提供了宝贵的实证资源，推动了智能客服、风险预警等应用的发展。

当前挑战

该数据集旨在解决金融领域客户投诉文本的自动分类与情感分析挑战，其难点在于投诉叙述语言的非结构化、领域术语的多样性以及消费者表达的主观性，这要求模型具备深度的语义理解与上下文推理能力。在构建过程中，挑战主要源于数据隐私与合规性约束，例如'Consumer_consent_provided?'字段反映了用户同意的复杂性；同时，数据清洗需处理缺失值、不一致的表述格式以及多源信息的整合，这些因素增加了数据集的质量维护与标准化难度。

常用场景

经典使用场景

在金融消费者保护领域，aciborowska/customers-complaints数据集为自然语言处理研究提供了丰富的文本资源。该数据集收录了消费者对金融产品和服务的投诉叙述，涵盖了产品类型、问题描述、公司回应等多维度信息。研究者常利用这些真实语料，训练文本分类模型以自动识别投诉主题，或构建情感分析系统来评估消费者情绪强度，从而为金融监管机构提供数据驱动的洞察。

实际应用

在实际应用层面，该数据集被金融机构和监管单位广泛用于构建智能投诉管理系统。系统可自动归类投诉内容，识别高频问题产品，并监测公司回应时效性，从而提升客户服务效率。此外，数据驱动的分析有助于企业发现潜在运营缺陷，辅助政策制定者评估市场行为风险，最终增强金融市场的透明度和消费者权益保护。

衍生相关工作

基于此数据集，学术界衍生了一系列经典研究工作。例如，有研究利用深度学习方法对投诉叙述进行自动摘要生成，以提炼关键问题；另有工作结合图神经网络分析投诉与公司回应间的关联模式。这些研究不仅推动了金融文本分析技术的进步，也为后续的跨领域投诉数据集构建提供了方法论参考，形成了持续的研究脉络。