rlcc-new-data-palate

该数据集包含用户对啤酒的评论信息，其中包括用户名（profileName）、两个啤酒的ID（beerId_1和beerId_2）、两个啤酒的评论句子（sentences_1和sentences_2）、口感评分（palate），以及每个啤酒评论的ABSA情感分析的最小值、最大值和平均值（absa_min_1、absa_max_1、absa_avg_1、absa_min_2、absa_max_2和absa_avg_2）。数据集分为训练集、验证集和测试集，分别有3320、420和410个示例。

原始信息汇总

数据集概述

基本信息

• 数据集名称：rlcc-new-data-palate
• 存储位置：https://huggingface.co/datasets/trungpq/rlcc-new-data-palate

数据特征

• profileName：字符串类型
• beerId_1：整型（int64）
• sentences_1：字符串类型
• beerId_2：整型（int64）
• sentences_2：字符串类型
• palate：浮点型（float64）
• absa_min_1：浮点型（float64）
• absa_max_1：浮点型（float64）
• absa_avg_1：浮点型（float64）
• absa_min_2：浮点型（float64）
• absa_max_2：浮点型（float64）
• absa_avg_2：浮点型（float64）

数据划分

• 训练集（train）：3,320个样本，大小682,745字节
• 验证集（validation）：420个样本，大小88,817字节
• 测试集（test）：410个样本，大小90,454字节

存储信息

• 下载大小：212,408字节
• 数据集总大小：862,016字节

搜集汇总

数据集介绍

构建方式

在啤酒评论分析领域，rlcc-new-data-palate数据集通过精心设计的流程构建而成。该数据集采集了用户对啤酒的文本评论，并整合了啤酒标识符与感官评分数据，每条记录包含两个啤酒产品的对比评论及对应的口感评分。数据经过标准化清洗与标注，划分训练集、验证集和测试集，确保数据质量与一致性，为口味偏好研究提供可靠基础。

特点

该数据集具备多维度特征，涵盖用户昵称、啤酒ID、评论文本及口感评分等关键字段。特别之处在于包含每对啤酒评论的ABSA情感分析指标，如最小值、最大值和平均值，支持细粒度的情感与口味关联分析。数据规模适中，划分科学，适用于机器学习模型训练与验证，满足复杂分析需求。

使用方法

该数据集适用于啤酒口味分析与推荐系统研究，用户可加载训练集进行模型训练，利用验证集调参，并通过测试集评估性能。评论文本与ABSA指标结合，支持情感分析、口味预测或对比学习任务。数据以标准格式存储，可直接用于主流机器学习框架，促进啤酒行业智能化应用。

背景与挑战

背景概述

在自然语言处理与推荐系统交叉领域，rlcc-new-data-palate数据集由研究机构于近年构建，专注于啤酒风味评价的文本分析与用户偏好建模。该数据集通过整合用户评论与风味评分数据，旨在探索多维度感官描述与数值评分间的语义关联，为核心研究问题——基于文本的细粒度风味预测提供数据支撑。其创新性体现在将抽象的风味感知转化为可计算的文本表征，对食品计算与个性化推荐领域的发展具有显著推动作用。

当前挑战

该数据集需解决风味描述主观性与数值评分客观性之间的映射挑战，包括文本中隐含感官特征的提取、跨用户评价一致性建模等核心问题。构建过程中面临双重挑战：一是需从非结构化评论中精准提取风味属性并量化其强度，涉及细粒度情感分析技术；二是需对齐多源异构数据，如处理同一风味术语在不同语境下的语义漂移问题，以及解决评分尺度差异导致的数据标准化难题。

常用场景

经典使用场景

在自然语言处理与推荐系统交叉研究中，rlcc-new-data-palate数据集被广泛应用于啤酒风味对比分析任务。研究者通过该数据集中的用户评论文本与风味评分数据，训练模型理解不同啤酒产品的感官特征差异，从而构建精准的风味偏好预测系统。

解决学术问题

该数据集有效解决了细粒度情感分析与跨商品对比推荐的学术难题。通过提供配对啤酒评论与量化风味指标，支持研究者开发端到端的对比学习模型，显著提升了基于文本的推荐系统在风味维度上的可解释性与准确性，推动了多模态推荐算法的理论创新。

衍生相关工作

该数据集衍生出多项对比学习与注意力机制的创新研究，例如基于双向编码器的风味特征提取模型、结合数值评分与文本语义的融合推荐框架。这些工作显著推动了细粒度情感分析技术在食品领域的应用深度，为后续跨域商品对比数据集构建提供了重要范式参考。