PaulLoisel/mlp_dataset

--- configs: - config_name: default data_files: - split: train path: data/train-* - split: test path: data/test-* - split: val path: data/val-* dataset_info: features: - name: purchased_products dtype: float64 - name: review_time_spent dtype: float64 - name: label dtype: int64 - name: text dtype: string - name: Beauty Products dtype: float64 - name: Furniture dtype: float64 - name: Toys dtype: float64 splits: - name: train num_bytes: 636.6 num_examples: 3 - name: test num_bytes: 212.2 num_examples: 1 - name: val num_bytes: 212.2 num_examples: 1 download_size: 15397 dataset_size: 1061.0 --- # Dataset Card for "mlp_dataset" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)### 配置项 - 配置名称：default 数据文件： - 数据拆分：train（训练集），路径：data/train-* - 数据拆分：test（测试集），路径：data/test-* - 数据拆分：val（验证集），路径：data/val-* ### 数据集信息 特征： - 字段名：purchased_products，数据类型：float64（双精度浮点数） - 字段名：review_time_spent，数据类型：float64（双精度浮点数） - 字段名：label，数据类型：int64（64位整数） - 字段名：text，数据类型：string（字符串） - 字段名：美容产品（Beauty Products），数据类型：float64（双精度浮点数） - 字段名：家具（Furniture），数据类型：float64（双精度浮点数） - 字段名：玩具（Toys），数据类型：float64（双精度浮点数） 数据拆分： - 拆分名称：train（训练集），字节数：636.6，样本数：3 - 拆分名称：test（测试集），字节数：212.2，样本数：1 - 拆分名称：val（验证集），字节数：212.2，样本数：1 下载大小：15397 数据集总大小：1061.0 --- # 「mlp_dataset」数据集卡片 [需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集配置

• 默认配置：
  • 训练集：路径为 data/train-*
  • 测试集：路径为 data/test-*
  • 验证集：路径为 data/val-*

数据集信息

• 特征：

  • purchased_products：数据类型为 float64
  • review_time_spent：数据类型为 float64
  • label：数据类型为 int64
  • text：数据类型为 string
  • Beauty Products：数据类型为 float64
  • Furniture：数据类型为 float64
  • Toys：数据类型为 float64

• 数据分割：

  • 训练集：
    • 字节数：636.6
    • 样本数：3
  • 测试集：
    • 字节数：212.2
    • 样本数：1
  • 验证集：
    • 字节数：212.2
    • 样本数：1

• 数据集大小：

  • 下载大小：15397 字节
  • 数据集大小：1061.0 字节

搜集汇总

数据集介绍

构建方式

在电子商务与消费者行为研究领域，数据集是挖掘用户购买模式与反馈机制的重要基础。PaulLoisel/mlp_dataset 通过整合用户购买记录与行为日志构建而成，数据集以浮点型变量记录用户购买产品数量（purchased_products）与浏览时间（review_time_spent），同时涵盖数值型标签（label）与文本型用户评论（text），并纳入美容、家具、玩具三大类别的购买频次特征。数据被划分为训练集（3条样本）、测试集（1条样本）与验证集（1条样本），以支持小样本学习与模型验证。

特点

该数据集的核心特点在于其多模态与多任务兼容性。数值型特征与文本评论并存，既可用于传统的分类与回归任务，也可结合自然语言处理进行情感或意图分析。产品类别特征（Beauty Products、Furniture、Toys）以浮点型呈现，便于嵌入协同过滤或矩阵分解模型。尽管样本量有限，其结构化设计使其适用于快速原型开发与教学演示，尤其适合验证轻量级多层感知机（MLP）在混合数据上的表现。

使用方法

使用该数据集可通过 Hugging Face Datasets 库直接加载，指定 config_name 为 'default' 即可获取预划分的 train、test、val 三组数据。用户可基于 purchased_products 与 review_time_spent 等数值特征构建输入向量，结合 label 进行监督学习，或将 text 字段用于文本嵌入后与数值特征拼接。数据集体积小巧（约1KB），适合在本地环境或云端快速迭代，亦可用于测试数据处理流水线的正确性。

背景与挑战

背景概述

在电子商务与用户行为分析领域，数据驱动的个性化推荐系统已成为提升用户体验与商业转化率的核心引擎。PaulLoisel/mlp_dataset 数据集由研究者 Paul Loisel 创建，旨在探索多模态特征（如购买产品类别、浏览时长与文本评论）对用户购买行为的预测能力。该数据集整合了数值型特征（如 purchased_products、review_time_spent）、多类别产品标签（Beauty Products、Furniture、Toys）以及文本数据，为研究用户消费决策中的隐式与显式信号提供了稀缺的标注样本。尽管规模较小（训练集仅3例），但其设计思路反映了早期尝试将结构化与非结构化数据融合于分类任务的探索，对理解有限样本下的多模态学习范式具有启发意义。

当前挑战

该数据集面临的核心挑战之一在于其极小的样本量（训练集3例、测试与验证集各1例），导致模型极易陷入过拟合，难以泛化至真实场景中的用户行为多样性。此外，特征维度虽包含数值、类别与文本，但样本间分布高度不平衡，例如产品类别标签的稀疏性可能使模型对低频品类（如Toys）的预测失效。构建过程中，数据采集与标注的瓶颈尤为突出：如何从原始电商日志中精准提取用户行为特征（如 review_time_spent 的时间戳解析），并确保文本评论与数值标签的语义一致性，是维持数据质量的关键矛盾。当前规模下，模型难以捕捉购买决策中的长尾模式与上下文交互效应，亟需通过数据增强或迁移学习策略突破样本局限。

常用场景

经典使用场景

该数据集以多标签分类为核心任务，整合了用户购买产品类别（如美容、家具、玩具）、浏览时长及评论文本等异构特征，适用于构建基于多层感知机（MLP）的推荐系统或用户行为预测模型。其经典使用场景在于利用数值型购买记录与文本评论的融合表示，学习用户偏好与产品属性之间的非线性关联，从而精准预测用户对未接触产品的潜在购买意向。

衍生相关工作

基于该数据集衍生的经典工作包括：利用MLP与注意力机制结合的深度推荐模型，通过文本-特征交互模块提升冷启动场景下的预测精度；以及引入对比学习框架的跨品类用户表征方法，在标签稀疏条件下实现了鲁棒性增强。此外，部分研究将其作为基准，验证了图神经网络在用户-产品二部图上的推荐性能，推动了多任务学习在电商场景中的理论拓展。

数据集最近研究

最新研究方向

该数据集聚焦于多标签产品分类与用户行为分析的前沿交叉领域。在电子商务推荐系统与用户画像构建研究中，mlp_dataset通过整合用户购买记录、浏览时长及文本评论等多维特征，为探索深度学习模型（如多层感知机）在个性化推荐中的泛化能力提供了基础。当前热点方向包括利用该数据集训练轻量化分类器以捕捉非结构化文本与数值型购买行为间的隐式关联，并验证其在跨品类商品（如美妆、家具、玩具）预测中的鲁棒性。这一研究方向对理解用户决策模式、优化实时推荐算法具有显著意义，尤其为中小规模电商场景下的数据高效建模提供了新范式。