maveriq/amazon_reviews_user_modeling

该数据集包含四个主要特征字段：评分（rating）、标题（title）、文本（text）、特征文本（feature_text）和父ASIN（parent_asin）。数据集分为三个部分：训练集（train）、测试集（test）和OOD验证集（ood_valid）。训练集包含4169个示例，测试集包含200个示例，OOD验证集包含3684个示例。数据集的下载大小为11948472字节，总大小为22528182.0字节。

The dataset contains four main feature fields: rating, title, text, feature_text, and parent_asin. The dataset is divided into three parts: train, test, and ood_valid. The train set contains 4169 examples, the test set contains 200 examples, and the ood_valid set contains 3684 examples. The download size of the dataset is 11948472 bytes, and the total size is 22528182.0 bytes.

原始信息汇总

数据集概述

特征信息

• rating: 类型为 float64
• title: 类型为 string
• text: 类型为 string
• feature_text: 类型为 string
• parent_asin: 类型为 string

数据分割

• train: 包含 4169 个样本，大小为 7341540.29594873 字节
• test: 包含 200 个样本，大小为 352196.7040512703 字节
• ood_valid: 包含 3684 个样本，大小为 14834445 字节

数据集大小

• 下载大小: 11948472 字节
• 数据集总大小: 22528182.0 字节

配置信息

• config_name: default
  • train: 路径为 data/train-*
  • test: 路径为 data/test-*
  • ood_valid: 路径为 data/ood_valid-*

搜集汇总

数据集介绍

构建方式

在用户建模与推荐系统研究领域，亚马逊评论数据因其丰富的用户行为信息而备受青睐。maveriq/amazon_reviews_user_modeling数据集基于亚马逊商品评论构建，每条样本包含评分（rating）、标题（title）、评论文本（text）、特征文本（feature_text）及商品父级标识（parent_asin）。数据被划分为训练集（4169条）、测试集（200条）和域外验证集（ood_valid，3684条），其中域外验证集用于评估模型对未见分布的泛化能力。整体数据集大小约22.5MB，存储为Parquet格式，便于高效加载与处理。

特点

该数据集的核心特点在于其域外验证（ood_valid）分区的设计，为评估用户建模模型的鲁棒性提供了独特视角。特征字段涵盖数值型评分与多模态文本（标题、评论文本、特征文本），支持从用户偏好和文本语义两个维度进行建模。数据集规模适中，训练集与测试集比例约为20:1，域外验证集规模甚至超过训练集，凸显了对分布外泛化能力的重视。此外，parent_asin字段保留了商品层级信息，便于进行跨商品或类别的用户行为分析。

使用方法

使用该数据集时，可通过HuggingFace Datasets库加载，指定配置名为'default'，并按需选择train、test或ood_valid分割。典型应用场景包括用户评分预测、评论情感分析或基于文本的用户画像构建。由于数据以Parquet格式存储，建议使用datasets.load_dataset('maveriq/amazon_reviews_user_modeling', split='train')直接读取。对于域外泛化实验，可将ood_valid作为验证集，以评估模型在非训练分布上的表现。文本字段可结合预训练语言模型进行特征提取，而rating字段则适用于回归或分类任务。

背景与挑战

背景概述

在电子商务蓬勃发展的时代，用户评论数据成为理解消费行为与偏好建模的关键资源。由maveriq团队构建的Amazon Reviews用户建模数据集，聚焦于从海量亚马逊评论中提取用户个性化特征，核心研究问题在于如何通过评论文本、评分及商品关联信息，构建精准的用户画像。该数据集创建于近年，包含训练集、测试集及分布外验证集，共计超过8000条样本，其特色在于引入'feature_text'字段，旨在捕捉用户对商品属性的关注点。凭借对多领域评论的覆盖，该数据集为推荐系统、用户行为分析及自然语言处理领域提供了重要的基准资源，推动了以用户为中心的数据驱动研究。

当前挑战

该数据集面临的核心挑战在于多维度信息的融合与泛化能力。首先，用户评论数据固有的稀疏性与噪声问题，使得从短文本中准确提取用户长期偏好成为难点，尤其当评分与文本情感不一致时，模型容易产生偏差。其次，构建过程中需处理分布外（OOD）场景，即测试集与训练集在商品类别或用户群体上存在差异，这要求模型具备跨域迁移能力。此外，'feature_text'字段的语义解析需兼顾商品属性与用户主观表述的多样性，而数据规模相对有限（约4000训练样本），进一步增加了过拟合风险。这些挑战共同制约着模型在实际推荐场景中的鲁棒性与适应性。

常用场景

经典使用场景

在电子商务与用户行为分析的交叉领域中，maveriq/amazon_reviews_user_modeling数据集以其精细化的用户评论结构，成为建模用户偏好与评分行为的经典资源。该数据集包含评分、标题、正文、特征文本及商品标识等多维信息，尤其适用于构建基于文本的用户画像模型。研究者常利用其丰富的文本特征，结合序列建模或注意力机制，预测用户对未购买商品的评分倾向，从而揭示隐性的消费动机。这一场景不仅验证了自然语言处理在推荐系统中的应用潜力，还为理解用户动态偏好提供了实证基础。

衍生相关工作

该数据集衍生了一系列影响深远的经典工作，尤其在用户建模与文本表征的交叉领域。其中，基于Transformer的评分预测模型如BERT4Rec的变体，利用其文本特征实现了优于传统矩阵分解的性能。此外，有研究将其与对比学习框架结合，通过构造正负样本对来增强用户嵌入的判别力，相关成果在KDD、WWW等顶级会议中屡获发表。这些工作不仅验证了数据集的学术价值，还推动了可解释推荐系统的发展，为后续融合多模态信息的用户建模研究奠定了基石。

数据集最近研究

最新研究方向

基于亚马逊评论数据的用户行为建模与个性化推荐系统研究