polinaeterna/amazon_us_reviews

该数据集名为Amazon US Reviews，包含多个配置，如书籍、手表、个人护理电器等，每个配置都有特定的特征，如市场、客户ID、评论ID、产品ID等。数据集是单语的（英语），适用于摘要、文本生成、填充掩码和文本分类等多种任务。数据集规模较大，条目数在1亿到10亿之间。

原始信息汇总

数据集概述

基本信息

• 数据集名称: Amazon US Reviews
• 语言: 英语 (en)
• 许可证: 其他 (other)
• 多语言性: 单语 (monolingual)
• 大小类别: 100M<n<1B
• 源数据集: 原始 (original)

任务类别

• 摘要生成 (summarization)
• 文本生成 (text-generation)
• 填空 (fill-mask)
• 文本分类 (text-classification)

具体任务

• 文本评分 (text-scoring)
• 语言建模 (language-modeling)
• 掩码语言建模 (masked-language-modeling)
• 情感分类 (sentiment-classification)
• 情感评分 (sentiment-scoring)
• 主题分类 (topic-classification)

数据集配置和特征

• 配置名称: 多个，如 Books_v1_01, Watches_v1_00 等
• 特征:
  • marketplace: 字符串
  • customer_id: 字符串
  • review_id: 字符串
  • product_id: 字符串
  • product_parent: 字符串
  • product_title: 字符串
  • product_category: 字符串
  • star_rating: 整数 (int32)
  • helpful_votes: 整数 (int32)
  • total_votes: 整数 (int32)
  • vine: 分类标签，0: N, 1: Y
  • verified_purchase: 分类标签，0: N, 1: Y
  • review_headline: 字符串
  • review_body: 字符串
  • review_date: 字符串

数据集大小和下载信息

• 训练集大小: 不同配置下大小不同，例如:
  • Books_v1_01: 6997552259 字节, 6106719 示例
  • Watches_v1_00: 458976082 字节, 960872 示例
  • 下载大小也因配置而异，如 Books_v1_01 为 2692708591 字节。

结论

Amazon US Reviews 数据集是一个大型单语英语数据集，适用于多种自然语言处理任务，包括摘要生成、文本生成、填空和文本分类等。数据集包含多个配置，每个配置针对不同的产品类别，提供丰富的特征信息，如产品详情、用户评价和购买验证状态等。