recwizard/redial

Name: recwizard/redial
Creator: recwizard
Published: 2023-10-02 02:32:06
License: 暂无描述

Hugging Face2023-10-02 更新2024-03-04 收录

下载链接：

https://hf-mirror.com/datasets/recwizard/redial

下载链接

链接失效反馈

官方服务：

资源简介：

--- dataset_info: - config_name: SA features: - name: movieId dtype: int32 - name: movieName dtype: string - name: messages sequence: string - name: senders sequence: int32 - name: form sequence: int32 splits: - name: train num_bytes: 33174059 num_examples: 41370 - name: validation num_bytes: 8224594 num_examples: 10329 - name: test num_bytes: 5151856 num_examples: 6952 download_size: 32552755 dataset_size: 46550509 - config_name: rec features: - name: movieIds sequence: int32 - name: messages sequence: string - name: senders sequence: int32 splits: - name: train num_bytes: 6064195 num_examples: 8004 - name: validation num_bytes: 1511644 num_examples: 2002 - name: test num_bytes: 937739 num_examples: 1342 download_size: 4812520 dataset_size: 8513578 - config_name: autorec features: - name: movieIds sequence: int32 - name: ratings sequence: float32 splits: - name: train num_bytes: 350688 num_examples: 7840 - name: validation num_bytes: 87496 num_examples: 1966 - name: test num_bytes: 58704 num_examples: 1321 download_size: 32552755 dataset_size: 496888 config_names: - SA - rec - autorec tags: - recommendation - conversational recommendation - sentiment analysis language: - en pretty_name: ReDIAL size_categories: - 10K<n<100K --- # Dataset Card for ReDIAL ## Dataset Description - **Homepage:** - **Repository:** [RecBot](https://github.com/McAuley-Lab/RecBot). - **Paper:** - **Leaderboard:** - **Point of Contact:** ### Dataset Summary This is an adapted version of the [original redial dataset](https://huggingface.co/datasets/re_dial), for supporting different tasks in our project [RecBot](https://github.com/McAuley-Lab/RecBot). The redial dataset provides over 10,000 conversations centered around movie recommendations. It was released in the paper ["Towards Deep Conversational Recommendations"](https://arxiv.org/abs/1812.07617) at NeurIPS 2018. ### Supported Tasks and Leaderboards 1. Sentiment Analysis: Use the SA config for sentiment analysis. 2. Recommendation: Use the autorec config for recommendation task. 3. Conversational recommendation: Use the rec config for conversational recommendation task. ### Languages English ## Dataset Structure ### Data Instances #### SA An example of 'test' looks as follows. ``` { "movieId": 111776, "movieName": "Super Troopers", "messages": [ "Hi I am looking for a movie like @111776", "You should watch @151656", "Is that a great one? I have never seen it. I have seen @192131\nI mean @134643", "Yes @151656 is very funny and so is @94688", "It sounds like I need to check them out", "yes you will enjoy them", "I appreciate your time. I will need to check those out. Are there any others you would recommend?", "yes @101794", "Thank you i will watch that too", "and also @91481", "Thanks for the suggestions.", "you are welcome\nand also @124771", "thanks goodbye" ], "senders": [1, -1, 1, -1, 1, -1, 1, -1, 1, -1, 1, -1, 1], "form": [0, 1, 1, 0, 1, 1] } ``` #### rec An example of 'test' looks as follows. ``` { 'movieIds': [111776, 91481, 151656, 134643, 192131, 124771, 94688, 101794], 'messages': ['Hi I am looking for a movie like @111776', 'You should watch @151656', 'Is that a great one? I have never seen it. I have seen @192131\nI mean @134643', 'Yes @151656 is very funny and so is @94688', 'It sounds like I need to check them out', 'yes you will enjoy them', 'I appreciate your time. I will need to check those out. Are there any others you would recommend?', 'yes @101794', 'Thank you i will watch that too', 'and also @91481', 'Thanks for the suggestions.', 'you are welcome\nand also @124771', 'thanks goodbye'], 'senders': [1, -1, 1, -1, 1, -1, 1, -1, 1, -1, 1, -1, 1] } ``` #### autorec An example of 'test' looks as follows. ``` { "movieIds": [ 111776, 151656, 134643, 192131, 94688 ], "ratings": [ 1.0, 1.0, 1.0, 1.0, 1.0 ] } ``` ### Data Fields #### SA - movieId: the movie's ID in the [MovieLens](https://grouplens.org/datasets/movielens/latest/) dataset. - movieName: the movie's name. - messages: a list of string. The conversation messages related to the movie. Note that one conversation can contain mutiple movies. The conversation messages are repeated for each movie as a sample. - senders: a list of 1 or -1. It has the same length of messages. Each element indicates the message at the same index is from the initiatorWorker (with 1) or the respondentWorkerId (with -1). - form: a list generated by: [init_q[movieId]["suggested"], init_q[movieId]["seen"], init_q[movieId]["liked"], resp_q[movieId]["suggested"], resp_q[movieId]["seen"], resp_q[movieId]["liked"]. init_q is the initiator questions in the conversation. resp_q is the respondent questions in the conversation. #### rec - movieIds: a list of movie ids in a conversation. - messages: a list of string. see config SA for detail. - senders: a list of 1 or -1. see config SA for detail. #### autorec: - movieIds: a list of movie ids in a conversation. - ratings: a list of 0 or 1. It has the same length as movieIds. Each element indicates the inititator's "liked" value for the movie. ## Dataset Creation ### Curation Rationale [More Information Needed] ### Source Data #### Initial Data Collection and Normalization [More Information Needed] #### Who are the source language producers? [More Information Needed] ### Annotations #### Annotation process [More Information Needed] #### Who are the annotators? [More Information Needed] ### Personal and Sensitive Information [More Information Needed] ## Considerations for Using the Data ### Social Impact of Dataset [More Information Needed] ### Discussion of Biases [More Information Needed] ### Other Known Limitations [More Information Needed] ## Additional Information ### Dataset Curators [More Information Needed] ### Licensing Information [More Information Needed] ### Citation Information [More Information Needed] ### Contributions [More Information Needed]

dataset_info: - config_name: SA（情感分析（Sentiment Analysis）） features: - name: movieId dtype: int32 - name: movieName dtype: 字符串 - name: messages sequence: 字符串序列 - name: senders sequence: int32序列 - name: form sequence: int32序列 splits: - name: train num_bytes: 33174059 num_examples: 41370 - name: validation num_bytes: 8224594 num_examples: 10329 - name: test num_bytes: 5151856 num_examples: 6952 download_size: 32552755 dataset_size: 46550509 - config_name: rec（会话推荐（Conversational Recommendation）） features: - name: movieIds sequence: int32序列 - name: messages sequence: 字符串序列 - name: senders sequence: int32序列 splits: - name: train num_bytes: 6064195 num_examples: 8004 - name: validation num_bytes: 1511644 num_examples: 2002 - name: test num_bytes: 937739 num_examples: 1342 download_size: 4812520 dataset_size: 8513578 - config_name: autorec（自动推荐（AutoRec）） features: - name: movieIds sequence: int32序列 - name: ratings sequence: float32序列 splits: - name: train num_bytes: 350688 num_examples: 7840 - name: validation num_bytes: 87496 num_examples: 1966 - name: test num_bytes: 58704 num_examples: 1321 download_size: 32552755 dataset_size: 496888 config_names: - SA - rec - autorec tags: - 推荐（Recommendation） - 会话推荐（Conversational Recommendation） - 情感分析（Sentiment Analysis） language: - en pretty_name: ReDIAL size_categories: - 10K<n<100K # ReDIAL 数据集卡片 ## 数据集描述 - **主页：** 无 - **代码仓库：** [RecBot](https://github.com/McAuley-Lab/RecBot) - **论文：** 无 - **排行榜：** 无 - **联系人：** 无 ### 数据集概览本数据集是[原始ReDIAL数据集](https://huggingface.co/datasets/re_dial)的适配版本，用于支持我们的项目[RecBot](https://github.com/McAuley-Lab/RecBot)中的各类任务。ReDIAL数据集包含超过10000条以电影推荐为主题的对话，其首次发布于NeurIPS 2018的论文《Towards Deep Conversational Recommendations》（arXiv:1812.07617）。 ### 支持的任务与排行榜 1. **情感分析（Sentiment Analysis）：** 使用SA配置完成情感分析任务。 2. **推荐任务：** 使用autorec配置完成传统推荐任务。 3. **会话推荐（Conversational Recommendation）：** 使用rec配置完成会话推荐任务。 ### 语言英语 ## 数据集结构 ### 数据样例 #### SA配置测试集（test）的一条样例如下： { "movieId": 111776, "movieName": "超级骑警", "messages": [ "嗨，我在找类似@111776的电影", "你可以看看@151656", "这部好看吗？我从没看过，我看过@192131，是说@134643", "没错，@151656非常有趣，@94688也是", "听起来我得去看看了", "是的，你会喜欢的", "谢谢你的推荐，我会去看看的，还有其他推荐吗？", "有的，@101794", "谢谢，我也会看这部", "还有@91481", "感谢这些建议", "不客气，还有@124771", "谢谢，再见" ], "senders": [1, -1, 1, -1, 1, -1, 1, -1, 1, -1, 1, -1, 1], "form": [0, 1, 1, 0, 1, 1] } #### rec配置测试集的一条样例如下： { 'movieIds': [111776, 91481, 151656, 134643, 192131, 124771, 94688, 101794], 'messages': ['嗨，我在找类似@111776的电影', '你可以看看@151656', '这部好看吗？我从没看过，我看过@192131，是说@134643', '没错，@151656非常有趣，@94688也是', '听起来我得去看看了', '是的，你会喜欢的', '谢谢你的推荐，我会去看看的，还有其他推荐吗？', '有的，@101794', '谢谢，我也会看这部', '还有@91481', '感谢这些建议', '不客气，还有@124771', '谢谢，再见'], 'senders': [1, -1, 1, -1, 1, -1, 1, -1, 1, -1, 1, -1, 1] } #### autorec配置测试集的一条样例如下： { "movieIds": [ 111776, 151656, 134643, 192131, 94688 ], "ratings": [ 1.0, 1.0, 1.0, 1.0, 1.0 ] } ### 数据字段说明 #### SA配置 - movieId：该电影在[MovieLens](https://grouplens.org/datasets/movielens/latest/)数据集中的唯一标识ID。 - movieName：电影名称。 - messages：字符串列表，存储与该电影相关的对话内容。注意一条对话可包含多部电影，且会以每部电影为样本重复对话内容。 - senders：取值为1或-1的列表，长度与messages一致。每个元素对应同索引位置的消息发送方：1代表对话发起者，-1代表对话应答者。 - form：由`[发起者问题[movieId]["suggested"], 发起者问题[movieId]["seen"], 发起者问题[movieId]["liked"], 应答者问题[movieId]["suggested"], 应答者问题[movieId]["seen"], 应答者问题[movieId]["liked"]]`生成的整数列表。其中`init_q`为对话发起者的问题，`resp_q`为对话应答者的问题。 #### rec配置 - movieIds：单条对话中涉及的所有电影ID列表。 - messages：字符串列表，详情参见SA配置的说明。 - senders：取值为1或-1的列表，详情参见SA配置的说明。 #### autorec配置 - movieIds：单条对话中涉及的所有电影ID列表。 - ratings：取值为0或1的列表，长度与movieIds一致。每个元素代表对话发起者对对应电影的“喜爱”评分。 ## 数据集创建 ### 筛选依据 [需补充更多信息] ### 源数据 #### 初始数据收集与标准化 [需补充更多信息] #### 原始文本生产者是谁？ [需补充更多信息] ### 标注 #### 标注流程 [需补充更多信息] #### 标注者是谁？ [需补充更多信息] ### 个人与敏感信息 [需补充更多信息] ## 数据使用注意事项 ### 数据集的社会影响 [需补充更多信息] ### 偏差讨论 [需补充更多信息] ### 其他已知限制 [需补充更多信息] ## 附加信息 ### 数据集策展人 [需补充更多信息] ### 许可信息 [需补充更多信息] ### 引用信息 [需补充更多信息] ### 贡献 [需补充更多信息]

提供机构：

recwizard

原始信息汇总

数据集概述

数据集基本信息

配置名称

SA
rec
autorec

特征信息

SA

movieId: int32
movieName: string
messages: sequence of string
senders: sequence of int32
form: sequence of int32

rec

movieIds: sequence of int32
messages: sequence of string
senders: sequence of int32

autorec

movieIds: sequence of int32
ratings: sequence of float32

数据集大小

SA

下载大小: 32552755 bytes
数据集大小: 46550509 bytes
训练集: 41370 examples, 33174059 bytes
验证集: 10329 examples, 8224594 bytes
测试集: 6952 examples, 5151856 bytes

rec

下载大小: 4812520 bytes
数据集大小: 8513578 bytes
训练集: 8004 examples, 6064195 bytes
验证集: 2002 examples, 1511644 bytes
测试集: 1342 examples, 937739 bytes

autorec

下载大小: 32552755 bytes
数据集大小: 496888 bytes
训练集: 7840 examples, 350688 bytes
验证集: 1966 examples, 87496 bytes
测试集: 1321 examples, 58704 bytes

数据集结构

数据实例

SA

movieId: 电影ID
movieName: 电影名称
messages: 对话消息列表
senders: 消息发送者标识列表
form: 对话形式列表

rec

movieIds: 对话中电影ID列表
messages: 对话消息列表
senders: 消息发送者标识列表

autorec

movieIds: 对话中电影ID列表
ratings: 电影评分列表

数据字段

SA

movieId: MovieLens数据集中的电影ID
movieName: 电影名称
messages: 与电影相关的对话消息
senders: 消息发送者标识
form: 对话中的问题形式

rec

movieIds: 对话中的电影ID列表
messages: 对话消息
senders: 消息发送者标识

autorec

movieIds: 对话中的电影ID列表
ratings: 电影评分

搜集汇总

数据集介绍

构建方式

在对话式推荐系统研究领域，ReDIAL数据集通过精心设计的众包平台构建而成。该平台模拟真实社交互动场景，邀请参与者围绕电影推荐展开自然对话，其中一方主动寻求影片建议，另一方则扮演推荐者角色。对话内容被系统记录并结构化处理，每条记录均关联特定电影标识符及对话双方的身份标记。原始对话经过标准化清洗与标注，转化为适用于不同机器学习任务的三种配置格式，确保了数据的一致性与可用性。

使用方法

使用ReDIAL数据集时，研究者可根据目标任务选择相应配置。对于情感分析任务，可采用SA配置，利用消息序列与发送者标记分析对话情感倾向；对话式推荐任务则适用rec配置，通过整合电影标识序列与完整对话历史，训练模型理解上下文并生成推荐；autorec配置专为自动推荐设计，直接关联电影标识与用户评分，适用于协同过滤等传统推荐算法。数据集已划分为训练、验证与测试子集，支持端到端的模型训练与评估流程，可直接加载至主流机器学习框架进行实验。

背景与挑战

背景概述

在人工智能与推荐系统融合发展的浪潮中，对话式推荐系统逐渐成为研究热点，旨在通过自然语言交互实现个性化推荐。ReDIAL数据集应运而生，由McAuley实验室等研究团队于2018年NeurIPS会议上发布，其核心研究问题聚焦于如何构建能够理解用户偏好、进行多轮对话并生成精准推荐的智能系统。该数据集收录了超过一万条以电影推荐为中心的真实对话，为对话式推荐、情感分析及传统推荐任务提供了宝贵资源，显著推动了人机交互与个性化服务领域的研究进展。

当前挑战

ReDIAL数据集所针对的对话式推荐领域面临多重挑战：一是如何准确捕捉对话中隐含的用户意图与动态偏好，这要求模型具备深层的语义理解与上下文推理能力；二是在多轮交互中维持推荐的相关性与一致性，避免对话偏离或信息冗余。在数据集构建过程中，挑战同样突出，包括确保对话的自然性与多样性，需通过精心设计的众包任务收集高质量数据；同时，标注过程中需处理电影实体链接、用户情感及行为标签的精确对齐，这些因素共同增加了数据集的构建复杂度与标注难度。

常用场景

经典使用场景

在对话式推荐系统领域，ReDIAL数据集以其丰富的电影对话记录，为研究者提供了模拟真实人际交互的宝贵资源。该数据集通过包含用户与推荐者之间的多轮对话，使得模型能够学习如何在动态交流中捕捉用户偏好，进而生成个性化的电影推荐。这种场景不仅考验模型对上下文的理解能力，还要求其具备自然语言生成与推理技能，从而推动对话推荐技术向更人性化、精准化的方向发展。

解决学术问题

ReDIAL数据集有效应对了传统推荐系统中用户意图模糊与反馈稀疏的学术挑战。通过整合对话上下文与情感分析，它助力研究者探索如何从非结构化对话中提取隐含的用户偏好，解决冷启动与动态兴趣建模问题。该数据集的意义在于弥合了自然语言处理与推荐系统之间的鸿沟，为开发端到端的智能推荐代理奠定了数据基础，促进了跨学科研究的融合与创新。

实际应用

在实际应用中，ReDIAL数据集可赋能智能客服与娱乐平台，构建能够进行自然对话的电影推荐机器人。例如，流媒体服务可借助该数据集训练系统，使其在用户咨询时通过多轮互动精准推荐影片，提升用户体验与平台粘性。这种应用不仅优化了人机交互效率，还为个性化营销与内容分发提供了技术支持，推动商业场景的智能化升级。

数据集最近研究