yandex/yambda

Yambda-5B是一个大规模的多模态数据集，用于排序和检索任务。它包含来自100万用户的4.79亿个用户-音乐交互，跨越939万首曲目。数据集包括隐式反馈（如收听事件）和显式反馈（如喜欢和不喜欢）。此外，它还提供了区分有机发现和推荐驱动交互的独特标记，以及预计算的音频嵌入，以促进内容感知推荐系统的发展。

Yambda-5B is a large-scale multi-modal dataset for ranking and retrieval tasks. It contains 479 million user-music interactions from 1 million users spanning 9.39 million tracks. The dataset includes implicit feedback such as listening events and explicit feedback like likes and dislikes. Additionally, it provides distinctive markers for organic versus recommendation-driven interactions, along with precomputed audio embeddings to facilitate content-aware recommendation systems.

搜集汇总

数据集介绍

构建方式

在推荐系统与信息检索领域，大规模、多模态的用户行为数据集是推动模型性能提升的核心基石。Yambda-5B数据集由Yandex构建，旨在为音乐推荐与检索研究提供工业级的基准资源。该数据集通过采集100万用户在939万首曲目上的自然交互与推荐交互日志，汇聚了约47.9亿条用户-项目交互记录。数据构建过程涵盖了隐式反馈（如播放事件）与显式反馈（如喜欢与不喜欢），并特别区分了有机发现与算法推荐驱动的行为。此外，研究团队利用基于对比学习音乐表征的卷积神经网络，为772万首曲目预计算了音频嵌入向量，从而支持内容感知的推荐系统开发。数据集按照交互规模提供50M、500M和5B三个子集，并同时提供扁平化与用户聚合的序列化两种格式，以满足不同研究场景的需求。

特点

Yambda-5B数据集的核心特点在于其工业级的规模与丰富的标注信息。首先，数据量极为庞大，包含近48亿条交互，覆盖百万级用户与千万级曲目，为深度学习模型提供了充足的训练样本。其次，数据集创新性地引入了`is_organic`标记，清晰区分了用户自主探索（有机）与推荐系统引导（推荐）的行为，这对于研究推荐算法的因果效应与用户行为模式至关重要。此外，数据集提供了多种事件类型（播放、喜欢、不喜欢、取消喜欢、取消不喜欢）的统一多事件格式，以及每个事件的全局时间戳（以5秒为单位分箱），便于进行序列建模与时序分析。音频嵌入向量的引入进一步增强了数据集的多模态属性，使得模型能够融合协同信号与内容特征。最后，标准化评估协议与基线基准的提供，确保了研究结果的可复现性与可比性。

使用方法

Yambda-5B数据集通过Hugging Face Datasets库进行便捷访问，支持多种加载策略以适应不同研究需求。研究者可以直接使用`load_dataset`函数指定数据目录与文件名称，例如加载扁平格式下的喜欢事件数据。为简化使用流程，数据集还提供了`YambdaDataset`封装类，允许通过参数选择数据集类型（扁平或序列化）与规模（50M、500M或5B），并通过`interaction`方法按事件类型获取交互数据，通过`audio_embeddings`方法获取音频嵌入。加载后的数据以Hugging Face Dataset对象形式返回，可无缝集成到现有的数据处理与模型训练流程中。数据文件采用Parquet列式存储格式，支持高效的数据过滤与读取。建议研究者根据任务需求选择合适的子集规模，利用多事件格式进行多任务学习，或结合音频嵌入开展多模态推荐研究。

背景与挑战

背景概述

Yambda-5B数据集由Yandex研究团队于2025年发布，旨在推动大规模音乐推荐与检索系统的研究。该数据集收录了来自100万用户的47.9亿次交互行为，涵盖9.39百万首曲目，并提供了有机发现与推荐驱动交互的明确标记，以及预计算的音频嵌入特征。其核心研究问题聚焦于如何利用多模态信息（用户行为序列与音频内容）提升推荐系统的排序与检索性能。作为工业级规模的公开数据集，Yambda-5B为跨领域研究者提供了标准化的评估协议与基线基准，显著推动了推荐系统领域从单一协同过滤向多模态、多事件融合方向的演进。

当前挑战

该数据集面临的挑战主要体现在三个层面：其一，领域问题层面，音乐推荐需同时处理隐式反馈（如收听时长）与显式反馈（如点赞/点踩）的异构性，以及有机交互与推荐交互的混杂效应，这对模型区分用户真实偏好与系统诱导行为提出了极高要求；其二，构建过程中，海量交互数据的时间对齐与去噪（如播放比例超过100%的异常回放行为）需要精细的预处理逻辑，同时为772万首曲目生成高质量音频嵌入需平衡计算效率与表征能力；其三，数据规模与稀疏性矛盾突出，5B规模下冷启动项目与长尾用户的表征学习仍是开放难题。

常用场景

经典使用场景

Yambda-5B数据集作为大规模音乐推荐领域的基准资源，最经典的使用场景聚焦于检索与排序任务的模型训练与评估。研究者可利用其包含的47.9亿条用户-音乐交互记录，涵盖隐式反馈（如播放事件）与显式反馈（如喜欢、不喜欢），并借助有机与推荐驱动的行为标记，深入探究不同交互来源对推荐系统性能的影响。此外，数据集提供的音频嵌入特征为内容感知的推荐模型提供了天然支撑，使其在序列推荐、多任务学习以及跨模态融合等前沿研究方向上展现出不可替代的基准价值。

衍生相关工作

Yambda-5B数据集自发布以来，已催生了一系列具有影响力的衍生工作。在模型架构层面，研究者基于其多事件结构与时间顺序信息，开发了融合对比学习与注意力机制的序列推荐模型，显著提升了长序列建模的效率。在评估方法论上，标准化基准协议被广泛采纳，衍生出针对推荐系统鲁棒性与公平性的新评估指标。此外，音频嵌入与交互数据的联合建模思路启发了多模态推荐领域的范式创新，涌现出若干将音乐信号特征与用户行为动态深度融合的经典框架，进一步拓展了数据驱动推荐的研究边界。

数据集最近研究

最新研究方向

在推荐系统与信息检索领域，大规模多模态用户行为数据集的研究正迎来新的突破。Yambda-5B的发布标志着工业级音乐推荐研究迈入新纪元，其囊括47.9亿条用户与音乐交互记录，涵盖显式与隐式反馈，并创新性地区分了有机探索与算法推荐行为。这一特性为解耦推荐系统因果效应、提升推荐多样性与用户长期满意度提供了前所未有的数据基础。当前前沿方向聚焦于利用其提供的音频嵌入与时间戳信息，探索多模态序列推荐、跨域迁移学习以及反事实评估框架，旨在破解传统推荐算法中的偏差与冷启动难题。该数据集的出现不仅推动了音乐推荐系统的可复现性研究，更对构建用户友好、公平透明的下一代智能推荐生态具有深远影响。