reachy-mini-wall-data

该数据集是 Reachy Mini 机器人社区墙的公开帖子数据，包含来自 Bluesky、YouTube、LinkedIn、TikTok、X 和 Reddit 等社交平台经过 AI 过滤的帖子。每个帖子包含 id（唯一标识）、platform（平台）、author（作者）、handle（用户名）、avatar（头像）、text（文本内容）、media（媒体）、url（链接）、created_at（创建时间）、score（得分）和 category（分类）等字段；对于 LinkedIn、TikTok、X 和 Reddit 的帖子还额外包含 embed（嵌入内容）字段。数据以 JSON 格式提供，可通过启用 CORS 的静态站点直接获取。此数据集仅包含公开显示的帖子，而分析数据（历史记录和被拒绝的帖子）存储在私有数据集中。This dataset contains public posts from the Reachy Mini robot community wall, including AI-filtered posts from social platforms such as Bluesky, YouTube, LinkedIn, TikTok, X, and Reddit. Each post includes fields: id (unique identifier), platform, author, handle, avatar, text, media, url, created_at, score, and category. Posts from LinkedIn, TikTok, X, and Reddit additionally include an embed field. The data is provided in JSON format and can be accessed directly via a static site with CORS enabled. This dataset only includes publicly displayed posts, while analysis data (history and rejected posts) is stored in a private dataset.

原始信息汇总

Reachy Mini Wall Data 数据集概述

基本信息

• 数据集名称：Reachy Mini Wall Data（公开版）
• 许可证：CC-BY-4.0
• 标签：reachy-mini、robotics、social-media
• 所属机构：Pollen Robotics

数据内容

该数据集包含一个 posts.json 文件，记录了 Reachy Mini 社区墙的公开帖子信息，具体包括：

• 经 AI 过滤后公开展示的社区帖子
• 聚合来源平台：Bluesky、YouTube、LinkedIn、TikTok、X（Twitter）和 Reddit
• 数据由社交墙（social-wall）流水线处理生成

数据结构

每条帖子记录包含以下字段：

• id：帖子唯一标识
• platform：来源平台
• author：作者名
• handle：作者账号
• avatar：头像信息
• text：帖子文本内容
• media：媒体资源
• url：原始链接
• created_at：发布时间
• score：评分
• category：分类
• embed：嵌入内容（仅 LinkedIn、TikTok、X、Reddit 平台包含）

数据获取方式

可通过以下直接 URL 获取数据（已启用 CORS，支持静态站点调用）： https://huggingface.co/datasets/pollen-robotics/reachy-mini-wall-data/resolve/main/posts.json

补充说明

分析数据（历史记录和被拒绝的帖子）存储在私有的 reachy-mini-social-posts 数据集中，不在本公开数据集中提供。

搜集汇总

数据集介绍

构建方式

该数据集源于Pollen Robotics为Reachy Mini机器人社区构建的社交墙聚合管道，通过整合Bluesky、YouTube、LinkedIn、TikTok、X和Reddit六大主流社交平台的内容，经AI过滤筛选后形成公开可用的帖子集合。数据集以JSON格式存储，每条记录包含发布者身份、平台来源、文本内容、媒体链接、时间戳、热度评分及分类标签等结构化字段，其中对特定平台还附加了嵌入式元数据，确保了信息的完整性与可追溯性。构建过程兼顾公开数据展示与隐私保护，分析历史及被拒帖子则存放于私有数据集中，实现数据分层管理。

特点

该数据集的核心特色在于其多源性、实时性与结构化程度。汇聚六大社交平台的社区讨论，覆盖广泛用户群体，通过AI过滤机制保证内容质量与相关性。每条数据携带丰富属性，不仅支持基础的内容检索，还能进行跨平台对比、情感倾向分析及热度趋势挖掘。特别是对于LinkedIn、TikTok、X和Reddit平台，额外的嵌入信息增强了数据深度，为研究人机交互、机器人社区生态及社交网络动态提供了宝贵语料。此外，CORS支持的设计使得可被静态网站直接抓取，极大提升了数据可访问性与复用便捷性。

使用方法

使用者可直接通过提供的HTTPS链接获取整个posts.json文件，该链接已启用CORS，允许任何静态站点无跨域障碍地拉取数据。获取后，可根据每条记录中的字段进行灵活处理，如按平台筛选、按日期排序或按关键词搜索。数据集内置的category字段便于进行主题分类，score字段可辅助构建推荐系统或热度分析。开发者可使用任何支持JSON解析的编程语言，结合fetch或HTTP库轻松集成此数据源，用于构建社区展示墙、训练文本分类模型或生成社交趋势报告。对于更深入的分析，研究者可联系维护者申请访问私有数据集，以获取完整的历史记录与过滤日志。

背景与挑战

背景概述

随着社交媒体的迅猛发展，人形机器人社区如Reachy Mini通过多平台聚合内容已成为趋势。该数据集由Pollen Robotics于2023年创建，旨在收集并整理来自Bluesky、YouTube、LinkedIn、TikTok、X和Reddit等平台的公开帖子，经AI过滤后形成社区墙。其核心研究问题在于如何高效聚合跨平台社交数据并实现自动筛选，为机器人开发者提供实时社区动态。该数据集通过HuggingFace发布，支持CORS访问，对机器人社交信息整合与社区分析具有重要参考价值，推动了社交机器人与数据驱动社区管理领域的交叉研究。

当前挑战

该数据集面临多方面的挑战：其一，源平台数据格式异构，需统一字段结构并处理不同API的权限限制，增加了数据抓取与清洗的复杂度；其二，AI过滤机制需平衡内容相关性与多样性，避免噪声信息混入，同时确保隐私合规；其三，构建过程中需实时更新数据，适配各平台频率差异及风控策略，导致技术维护成本较高；其四，数据版权与许可问题需严格遵循CC-BY-4.0协议，尤其涉及用户生成内容时需脱敏处理，这为数据发布与共享带来法律风险。此外，跨平台语言与话题偏移也影响了分类准确性，需持续优化过滤模型。

常用场景

经典使用场景

在机器人技术与社会媒体交叉研究的背景下，该数据集为Reachy Mini人形机器人社区墙提供了经过AI筛选的公开帖子聚合，涵盖Bluesky、YouTube、LinkedIn、TikTok、X和Reddit六大平台。其典型应用场景是作为社区动态监测与趋势分析的标准化数据源，研究者可据此构建跨平台社交媒体语料库，用于分析用户生成内容中关于Reachy Mini的讨论热点、情感倾向及交互模式。借助每条记录附带的平台、作者、时间戳与评分等结构化字段，学者能够进行细粒度的时序挖掘与平台间内容差异对比，从而揭示技术产品在多元社交生态中的传播路径与受众反馈特征。

实际应用

在产业实践层面，该数据集直接服务于机器人产品的市场情报与社区运营。企业可通过持续抓取并分析这些公开帖子，实时追踪产品发布后的用户反馈、识别潜在的功能缺陷或使用痛点，并用于竞品对比与营销效果评估。例如，市场团队能够依据评分与分类字段快速筛选高影响力创作者进行合作，客服部门则可定位负面情绪集中的内容以制定应对策略。此外，该数据集的CORS友好访问特性便于集成到动态看板或自动化监控工具中，为产品迭代和用户成功管理提供数据驱动的决策支持。

衍生相关工作

该数据集已衍生出若干经典工作方向，其中最具代表性的是开发跨平台社交媒体聚合与分析框架，其公共子集与私有分析数据的分离架构启发了数据发布与隐私保护兼备的研究范式。围绕此数据集，研究者构建了谣言检测或垃圾信息过滤的基准测试，利用其类别标签与评分验证AI过滤算法的有效性。同时，基于该数据的时间序列记录，衍生出对产品生命周期舆论演变的量化研究，以及利用嵌入字段进行多模态内容（文本+媒体）联合分析的工作。这些衍生研究不仅提升了社交墙工具的技术水平，也为开源机器人社区的数据共享与协作树立了范例。