用户画像构建数据集、用户画像更新数据集

本文介绍了两个高质量的开源用户画像数据集：一个用于构建用户画像，另一个用于更新用户画像。构建数据集基于Wiki People数据集，包含42,786条详细个人信息，用于生成准确的用户画像。更新数据集则对约30%的用户画像进行了修改，以模拟现实世界中的兴趣转移或地点变更等情况，用于评估动态用户画像模型的性能。

This paper presents two high-quality open-source user profile datasets: one dedicated to user profile construction, and the other for user profile updating. The construction dataset, based on the Wiki People dataset, contains 42,786 detailed personal records and is used to generate accurate user profiles. The updating dataset modifies approximately 30% of the user profiles to simulate real-world scenarios such as interest shifts or location changes, and is employed to evaluate the performance of dynamic user profile models.

搜集汇总

数据集介绍

构建方式

该数据集的构建方式是通过使用大型语言模型（LLMs）从文本描述中提取用户信息，并生成结构化的用户画像。具体来说，研究者使用了Wiki People数据集作为原始数据源，该数据集包含了42,786个条目，每个条目包括一个URI、一个人的名字和一个详细的传记。研究者利用语言模型API，如Gemini，设计了一系列提示，将Wiki People数据作为输入来生成用户画像。每个用户画像包含了诸如姓名、出生地、职业、爱好、喜好和不喜欢等信息。为了确保生成用户画像的准确性，研究者进行了人工评估，随机选取了10%的画像进行手动审查。这些经过验证的画像被标记为“黄金数据”，用于验证和改进生成的画像，确保最终数据集的质量。此外，研究者还研究了数据集中各个属性的分布情况，发现某些属性的出现频率远高于其他属性，这表明了数据集的重点和其在各种研究任务中的潜在价值。

使用方法

该数据集的使用方法如下：1. 数据集可以用于训练和评估用户画像建模技术。2. 研究人员可以利用数据集中的用户画像进行个性化推荐、用户行为分析和社交网络分析等任务。3. 数据集可以用于开发基于用户数据的自然语言处理系统。4. 研究人员可以使用数据集中的URI来查找更多相关信息。5. 数据集可以用于测试模型处理用户画像更新的能力。6. 数据集可以用于研究用户行为的动态变化。这些使用方法使得该数据集在个性化系统和社会分析领域具有重要的应用价值。

背景与挑战

背景概述

用户画像构建与更新在个性化系统中扮演着核心角色，要求构建准确的用户画像并随着新信息的出现不断更新。本文介绍了两个高质量的开放源用户画像数据集：一个用于画像构建，另一个用于画像更新。这些数据集为在动态环境中评估用户画像建模技术提供了坚实的基础。本文还展示了一种使用大型语言模型（LLMs）来处理画像构建和更新的方法。该方法使用概率框架从输入文本中预测用户画像，从而实现精确和上下文相关的画像生成。实验表明，Mistral-7b和Llama2-7b等模型在两项任务中表现强劲。LLMs提高了生成画像的精确度和召回率，高评估分数证实了我们的方法的有效性。

当前挑战

用户画像构建与更新数据集面临的挑战包括：1)如何准确构建用户画像，以反映用户真实的偏好和行为；2)如何高效地更新用户画像，以适应用户随时间变化的偏好和行为；3)如何使用LLMs等技术来提高用户画像构建和更新的精确度和召回率。

常用场景

经典使用场景

在用户画像建模领域，用户画像构建数据集和用户画像更新数据集被广泛应用于评估用户画像建模技术在动态环境中的表现。这些数据集为研究人员提供了一个强大的基础，以测试和比较不同模型在用户画像构建和更新任务上的性能。经典的使用场景包括个性化推荐系统、社交媒体分析、在线营销策略制定以及计算社会科学研究。通过这些数据集，研究者可以训练和评估模型，以更精确地理解和预测用户的行为和偏好。

解决学术问题

用户画像构建数据集和用户画像更新数据集解决了用户画像建模中的关键问题，包括如何在动态环境中构建和维护准确的用户画像。这些数据集提供了丰富的用户信息，包括人口统计详情、兴趣、行为和偏好，从而帮助研究者更好地理解用户行为的复杂性。此外，这些数据集还解决了在快速变化的数字环境中维护用户画像准确性和相关性的挑战。这对于依赖用户数据的自然语言处理系统尤为重要。

实际应用

用户画像构建数据集和用户画像更新数据集在实际应用中具有广泛的应用前景。它们可以帮助企业更好地理解客户需求，从而提供更个性化的产品和服务。此外，这些数据集还可以用于社交媒体分析，以帮助研究人员理解用户在网络上的行为和偏好。此外，这些数据集还可以用于在线营销策略制定，以帮助企业更有效地定位目标客户。最后，这些数据集还可以用于计算社会科学研究，以帮助研究者更好地理解社会行为和人类互动。

数据集最近研究

最新研究方向

用户画像建模领域的研究正日益关注大型语言模型（LLMs）在静态构造和动态更新用户画像中的应用。本研究提出的方法采用概率框架，通过输入文本预测用户画像，从而生成精确且具有上下文感知的画像。实验结果表明，Mistral-7b和Llama2-7b等模型在构造和更新任务中表现出色，显著提高了生成画像的精确性和召回率。这项工作为评估用户画像建模技术提供了高质量的开放数据集，并为未来研究提供了重要的资源。

相关研究论文

• User Profile with Large Language Models: Construction, Updating, and Benchmarking

  美国中央佛罗里达大学 · 2025年