media-metadata-steam-games

Steam Games 数据集是一个包含约82,000款PC游戏信息的集合，数据来源于Steam公共商店API，涵盖了Steam完整的游戏目录（不包括DLC、演示版本和工具软件）。该数据集旨在提供全面的游戏元数据，包括定价、玩家评论情感分析、所有权估计以及峰值并发用户数等关键指标，适用于游戏市场分析、流行度排名、推荐系统研究等任务。数据集包含12个结构化字段：Steam应用ID（steam_appid）、游戏名称（name）、开发者（developer）、发行商（publisher）、正面评论数（positive_reviews）、负面评论数（negative_reviews）、所有权区间估计（owners，例如“1,000,000 .. 2,000,000”）、所有者的平均游戏时长（average_playtime_forever，单位：分钟）、所有者的中位游戏时长（median_playtime_forever，单位：分钟）、当前美元价格（price_usd，0.0表示免费）、当前折扣百分比（discount_pct）、峰值并发用户数（ccu，抓取时的数据）以及Steam游戏类型标签（genres）。其中，峰值并发用户数和评论数量可用于评估游戏实时流行度；所有权估计字段采用了类似Gamalytic的基于SteamSpy的区间估计方法。数据集以表格形式组织，便于直接加载和分析。

The Steam Games dataset is a collection of approximately 82,000 PC game information, sourced from the Steam public store API, covering the complete Steam game catalog (excluding DLC, demos, and tool software). This dataset aims to provide comprehensive game metadata, including key metrics such as pricing, player review sentiment analysis, ownership estimates, and peak concurrent user counts, suitable for tasks like game market analysis, popularity ranking, and recommendation system research. The dataset contains 12 structured fields: Steam application ID (steam_appid), game name (name), developer (developer), publisher (publisher), positive review count (positive_reviews), negative review count (negative_reviews), ownership range estimate (owners, e.g., 1,000,000 .. 2,000,000), average playtime per owner (average_playtime_forever, in minutes), median playtime per owner (median_playtime_forever, in minutes), current USD price (price_usd, 0.0 indicates free), current discount percentage (discount_pct), peak concurrent users (ccu, data at the time of scraping), and Steam genre tags (genres). Among these, peak concurrent user counts and review numbers can be used to assess real-time game popularity; the ownership estimate field uses a range estimation method based on SteamSpy, similar to Gamalytic. The dataset is organized in a tabular format for easy loading and analysis.

搜集汇总

数据集介绍

构建方式

该数据集由开源爬取工具metadatarr中的steam_games模块生成，专注于Steam平台游戏元数据的系统性采集。爬虫通过Steam官方接口与公开页面抓取，覆盖了超过8.2万款游戏的完整信息。构建过程遵循结构化数据抽取原则，每个实体均包含应用ID、名称、开发者、发行商、评分排名等23个字段。源代码与完整管道均公开于metadatarr仓库，确保了采集透明性与可复现性。

特点

数据集以游戏实体为中心，集成了多维度属性：既有评价指标（好评/差评数、Metacritic评分），又有经济参数（价格、折扣率、持有量），还包含运营数据（同时在线峰值、平均游戏时长）。特别之处在于提供了短描述文本与跨平台支持状态（Windows/Mac/Linux），为综合性分析提供了丰富素材。采用CC0-1.0许可协议，消除使用壁垒。

使用方法

数据可直接通过HuggingFace Datasets库加载，支持按字段索引、筛选与统计。适用于游戏市场分析、流行趋势预测、评价情感建模等多类任务。用户可基于steam_appid进行跨数据集关联，或利用开发者/发行商字段构建产业关系网络。推荐结合metadatarr工具持续更新数据流，以追踪平台游戏的动态演化。

背景与挑战

背景概述

该数据集由TigreGotico团队通过其开源的metadatarr工具爬取Steam平台游戏元数据构建而成，创建于Steam平台蓬勃发展的数字发行时代，旨在为游戏产业分析、用户行为建模及推荐系统研究提供高质量的结构化数据。其核心研究问题聚焦于如何通过多维属性（如评分、价格、玩家时长）揭示游戏市场动态与玩家偏好规律。数据集涵盖82,236款游戏，字段包括开发者、发行商、好评/差评数、拥有者数量等关键指标，为游戏销量预测、玩家留存分析及跨平台兼容性评估提供了宝贵的基准资源。作为元数据领域的标准化实体数据集，它推动了游戏信息学与数据分析的交叉融合，尤其在电子游戏经济学与用户体验研究中具有重要参考价值。

当前挑战

领域层面，该数据集旨在攻克游戏元数据的碎片化与不透明性难题，传统上Steam平台缺乏统一、可公开访问的结构化游戏信息，导致行业分析多依赖商业API或非标准化统计。构建过程中，团队面临多源数据一致性挑战：需从Steam页面实时爬取价格、评分等动态字段，同时处理游戏名称歧义、开发者归属冲突及免费/付费混合模式的数据清洗问题。此外，时间序列数据（如两周平均游戏时长）的爬取间隔设计需平衡频率与服务器负载，而缺失的Metacritic评分（仅覆盖部分游戏）进一步要求开发者设计稳健的插补策略。最终，跨平台字段（Windows/Mac/Linux）的兼容性验证与数据更新维护也成为长期运维的棘手挑战。

常用场景

经典使用场景

在游戏产业与数字娱乐研究领域，media-metadata-steam-games数据集以其丰富的元数据字段，成为分析Steam平台游戏生态的经典工具。该数据集收录了超过8.2万款游戏的详细信息，涵盖开发者、发行商、用户评价、价格、销量、游玩时长等维度，常被用于游戏流行度预测、用户行为分析、市场趋势挖掘等研究场景。研究者可借助评分排名与正负评论数量，构建量化模型以评估游戏口碑；通过拥有者数量与并发用户数，洞察游戏的用户规模与活跃程度；结合价格与折扣信息，分析定价策略对玩家吸引力的影响。该数据集为理解数字游戏发行平台的内在规律提供了坚实的基础。

衍生相关工作

基于该数据集，学术界与工业界衍生出了多项富有影响力的工作。在推荐系统研究中，有工作利用其用户评分与游戏属性特征，融合协同过滤与内容基方法，提升了冷启动游戏的推荐性能。在行为预测方面，研究者构建了基于平均游玩时长与评论数的回归模型，成功预测了新发行游戏的长期活跃用户数。部分工作聚焦于游戏定价策略分析，结合价格、折扣与拥有者数量，揭示了限时折扣对销量增长的阶段性影响。此外，有研究以该数据集为基础，设计了游戏类型演化路径的可视化工具，揭示了近十年游戏品类趋势的变迁。这些衍生工作不仅验证了数据集的实用价值，也推动了游戏数据科学方法论的发展。

数据集最近研究

最新研究方向

在数字娱乐产业蓬勃发展的当下，电子游戏平台数据已成为理解用户行为与市场动态的关键资源。media-metadata-steam-games数据集作为Steam平台游戏实体信息的富集集合，正被研究者用于构建推荐系统与玩家行为预测模型。当前前沿方向聚焦于利用其多维属性（如价格、评价分数、玩家时长、平台兼容性等）挖掘用户偏好与游戏成功要素的关联模式，探索游戏类型与社区反馈对销量的影响机制。该数据集为分析免费游戏与付费游戏在黏性差异上的作用、量化评论情感对购买决策的驱动效应提供了实证基础，进而推动游戏产业从经验导向向数据驱动决策的范式转型。其开源特性更促进了游戏学与计算社会科学的交叉验证，为理解数字文化产品的传播规律开辟了新路径。