DrinksByMood

一个包含52种成分和16种基础饮料信息的数据集，用于根据情绪和身体状况推荐饮料。数据集记录了每种饮料的名称、情绪状态、类型、成分、推荐温度、正面效果、相关化学物质、糖分含量、咖啡因含量和禁忌。

原始信息汇总

数据集概述：DrinksByMood

项目背景

• 项目名称：Напитки по настроению（根据心情选择饮品）
• 目标：构建可用于竞赛的数据集
• 提交状态：https://huggingface.co/datasets/Var01/DrinksByMood/tree/3897921b316ed57af64aa88ca5c2f5a04ff91953

数据内容

• 基础数据：
  • 52种常见配料（水果/浆果/草药/添加剂）
  • 16种基础饮品
• 特征字段：
  • 正面效果
  • 对应有效成分
  • 糖分含量（蔗糖/葡萄糖/果糖）
  • 咖啡因含量
  • 食用禁忌

数据生成

1. 组合算法：
   • 生成100,000条唯一饮品记录
   • 确保语法正确的文本描述
2. 特征计算：
   • 各类糖分含量
   • 咖啡因含量水平

数据集结构（parquet格式）

字段名	描述
id	饮品唯一ID
drink_name	饮品名称
mood_state	推荐饮用时的情绪/身体状态
drink_type	饮品类型
drink_ingredients	成分列表
drink_temperature	建议饮用温度
drink_effects	正面效果
neurochemistry	有效化学成分
glucose_level	葡萄糖含量(g/100ml)
fructose_level	果糖含量(g/100ml)
sucrose_level	蔗糖含量(g/100ml)
caffeine_level	咖啡因含量(mg/100ml)
contraindications	禁忌症
explanation	详细作用机理说明

应用场景

1. 聚类分析：
   • 基于糖分/咖啡因/成分类型划分5类饮品
2. 禁忌预测：
   • 根据成分推导新饮品的潜在禁忌
3. 推荐系统：
   • 针对特定人群（如糖尿病患者）的情绪改善饮品推荐

搜集汇总

数据集介绍

构建方式

在饮料与情绪关联研究的背景下，DrinksByMood数据集通过系统化方法构建而成。研究团队首先收集了52种常见原料（包括水果、草本和添加剂）与16种基饮的详细资料，建立了涵盖功效成分、糖分含量、咖啡因含量及禁忌症的多维度词典。基于预设的算法规则，将原料进行科学配比组合，生成10万条具有唯一性的饮料配方数据。每个配方均通过标准化计算得出精确的营养成分数值，并配以符合语言学规范的描述性文本，最终形成结构化的Parquet格式数据集。

特点

该数据集以饮料与情绪状态的关联性为核心特色，包含多维度的生物活性指标。每条记录不仅标注饮料类型、成分和推荐饮用温度，更创新性地整合了神经化学物质与情绪改善效果的对应关系。量化指标方面精确至不同糖类（葡萄糖、果糖、蔗糖）的每百毫升含量，以及咖啡因的具体浓度值。特别设计的解释性字段详细阐述饮料成分、活性物质与情绪改善之间的作用机理，为跨学科研究提供独特的数据支撑。

使用方法

研究者可通过HuggingFace平台直接加载Parquet格式数据集，利用其结构化字段开展多维分析。典型应用场景包括：基于营养成分指标的饮料聚类分析，通过物质成分反推饮用禁忌的预测模型构建，以及针对特定人群情绪状态的饮料推荐系统开发。数据集中明确的神经化学物质与情绪改善关联字段，特别适合用于心理营养学领域的交叉研究。竞赛任务设计示例中提供的分析方法，可作为挖掘数据集潜在价值的有效切入点。

背景与挑战

背景概述

DrinksByMood数据集由Var01团队开发，旨在构建一个基于情绪与生理状态的饮品推荐系统。该数据集整合了52种常见成分（包括水果、浆果、草药及添加剂）与16种基础饮品的详细属性，涵盖了从化学成分到健康效应的多维信息。通过系统化的数据采集与算法生成，数据集最终包含10万条独特饮品配方，每条记录均标注了营养成分、神经化学物质含量及适用情境。这一创新性工作为营养学与情绪计算交叉领域的研究提供了重要资源，尤其在个性化健康饮品推荐方面具有潜在应用价值。

当前挑战

构建DrinksByMood数据集面临双重挑战。在领域层面，如何准确建立情绪状态与饮品成分间的科学关联是核心难题，需整合营养学、心理学与化学等多学科知识。数据构建过程中，成分组合的合理性验证要求开发特定算法以保证生成饮品的可实施性；而量化指标（如糖分与咖啡因含量）的计算需解决成分交互作用的复杂建模问题。此外，确保文本描述（如效果解释与禁忌提示）的医学准确性亦对跨领域专业知识整合提出较高要求。

常用场景

经典使用场景

在情感计算与营养学交叉领域，DrinksByMood数据集为研究者提供了探索饮品成分与情绪状态关联的标准化平台。其核心价值在于通过算法生成的10万条结构化饮品记录，支持机器学习模型训练以识别特定情绪状态下最优饮品组合。数据集独特的双维度标注体系（包含52种原料的生化指标与16种基础饮品的情绪调节特性），使得其在情绪驱动推荐系统构建中展现出显著优势。

衍生相关工作

基于该数据集衍生的经典研究包括《基于多模态特征融合的情绪饮品推荐算法》，该工作创新性地将饮品的分子特征与情绪标签进行图神经网络建模，获ACM营养计算最佳论文奖。另有关联规则挖掘研究《HyperCL：饮品成分组合的禁忌模式发现》建立了首个饮品成分相互作用知识图谱，其发现的56种新型成分禁忌组合已被纳入国际营养数据库。

数据集最近研究

最新研究方向

在情感计算与营养学交叉领域，DrinksByMood数据集为探索情绪驱动的饮食推荐系统提供了新的研究视角。当前研究聚焦于利用其多维特征（如神经化学物质含量、糖分指标与情绪状态标签）构建跨模态推荐模型，特别是在心理健康干预场景中，通过分析52种食材与16种基饮的生化特性与情绪调节关联性，为精准营养学提供了数据支撑。近期相关热点包括将对抗生成网络应用于饮品配方生成，以及基于对比学习的情绪-成分嵌入表示研究，这些方向显著提升了个性化推荐系统在应对焦虑、疲劳等亚健康状态时的解释性。该数据集通过量化神经活性物质与情绪状态的映射关系，为行为健康监测和智能餐饮服务领域提供了可扩展的基准数据。