Binaryy/cream_listings

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
dataset_info:
features:
- name: _id
dtype: string
- name: title
dtype: string
- name: location
dtype: string
- name: features
sequence: string
- name: description
dtype: string
- name: images
sequence: string
- name: videos
sequence: string
- name: available
dtype: bool
- name: price
dtype: float64
- name: attachedDocument
sequence: 'null'
- name: year
dtype: int64
- name: carCondition
dtype: string
- name: engineType
dtype: string
- name: colour
dtype: string
- name: model
dtype: string
- name: noOfBed
dtype: float64
- name: noOfBathroom
dtype: float64
- name: locationISO
dtype: string
- name: forRent
dtype: bool
- name: views
sequence: string
- name: thoseWhoSaved
sequence: string
- name: createdAt
dtype: string
- name: updatedAt
dtype: string
- name: __v
dtype: int64
- name: category._id
dtype: string
- name: category.title
dtype: string
- name: category.slug
dtype: string
- name: category.isAdminAllowed
dtype: string
- name: category.createdAt
dtype: string
- name: category.updatedAt
dtype: string
- name: category.__v
dtype: int64
- name: postedBy.pageViews.value
dtype: int64
- name: postedBy.pageViews.users
sequence: 'null'
- name: postedBy.totalSaved.value
dtype: int64
- name: postedBy.totalSaved.users
sequence: string
- name: postedBy._id
dtype: string
- name: postedBy.firstName
dtype: string
- name: postedBy.lastName
dtype: string
- name: postedBy.about
dtype: string
- name: postedBy.cover
dtype: string
- name: postedBy.email
dtype: string
- name: postedBy.password
dtype: string
- name: postedBy.isAdmin
dtype: bool
- name: postedBy.savedListing
sequence: string
- name: postedBy.isVerified
dtype: bool
- name: postedBy.verifiedProfilePicture
dtype: float64
- name: postedBy.profilePicture
dtype: string
- name: postedBy.pronoun
dtype: float64
- name: postedBy.userType
dtype: int64
- name: postedBy.accountType
dtype: int64
- name: postedBy.subscribed
dtype: bool
- name: postedBy.noOfSubscription
dtype: int64
- name: postedBy.totalListing
dtype: int64
- name: postedBy.sellerType
dtype: int64
- name: postedBy.createdAt
dtype: string
- name: postedBy.updatedAt
dtype: string
- name: postedBy.__v
dtype: int64
- name: postedBy.address
dtype: string
- name: postedBy.city
dtype: string
- name: postedBy.country
dtype: string
- name: postedBy.gender
dtype: string
- name: postedBy.nationality
dtype: string
- name: postedBy.verificationType
dtype: float64
- name: postedBy.dob
dtype: string
- name: postedBy.locationISO
dtype: string
- name: postedBy.state
dtype: string
- name: postedBy.zipCode
dtype: float64
- name: postedBy.otherNames
dtype: string
- name: postedBy.facebookUrl
dtype: string
- name: postedBy.instagramUrl
dtype: string
- name: postedBy.phoneNumber1
dtype: string
- name: postedBy.phoneNumber2
dtype: string
- name: postedBy.websiteUrl
dtype: string
- name: postedBy.accountName
dtype: string
- name: postedBy.accountNo
dtype: string
- name: postedBy.bankName
dtype: string
- name: postedBy.verificationId
dtype: float64
- name: string_features
dtype: string
- name: complete_description
dtype: string
splits:
- name: train
num_bytes: 1596937
num_examples: 423
download_size: 529413
dataset_size: 1596937
---
# Dataset Card for "cream_listings"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

The cream_listings dataset contains detailed information about property listings. It includes features such as _id, title, location, description, images, videos, price, year, carCondition, engineType, and many others. These fields cover a wide range of attributes related to listings, including the number of bedrooms and bathrooms, the condition of the car, and the type of engine. The dataset is split into a training set with 423 examples, totaling 1.59 MB in size. The README also mentions that more information is needed, indicating that the dataset card is incomplete and requires further contributions.

原始信息汇总

数据集概述

数据集配置

• 配置名称: default
• 数据文件:
  • 分割: train
  • 路径: data/train-*

数据集信息

• 特征:
  • _id: 字符串
  • title: 字符串
  • location: 字符串
  • features: 字符串序列
  • description: 字符串
  • images: 字符串序列
  • videos: 字符串序列
  • available: 布尔值
  • price: 浮点数
  • attachedDocument: 空序列
  • year: 整数
  • carCondition: 字符串
  • engineType: 字符串
  • colour: 字符串
  • model: 字符串
  • noOfBed: 浮点数
  • noOfBathroom: 浮点数
  • locationISO: 字符串
  • forRent: 布尔值
  • views: 字符串序列
  • thoseWhoSaved: 字符串序列
  • createdAt: 字符串
  • updatedAt: 字符串
  • __v: 整数
  • category._id: 字符串
  • category.title: 字符串
  • category.slug: 字符串
  • category.isAdminAllowed: 字符串
  • category.createdAt: 字符串
  • category.updatedAt: 字符串
  • category.__v: 整数
  • postedBy.pageViews.value: 整数
  • postedBy.pageViews.users: 空序列
  • postedBy.totalSaved.value: 整数
  • postedBy.totalSaved.users: 字符串序列
  • postedBy._id: 字符串
  • postedBy.firstName: 字符串
  • postedBy.lastName: 字符串
  • postedBy.about: 字符串
  • postedBy.cover: 字符串
  • postedBy.email: 字符串
  • postedBy.password: 字符串
  • postedBy.isAdmin: 布尔值
  • postedBy.savedListing: 字符串序列
  • postedBy.isVerified: 布尔值
  • postedBy.verifiedProfilePicture: 浮点数
  • postedBy.profilePicture: 字符串
  • postedBy.pronoun: 浮点数
  • postedBy.userType: 整数
  • postedBy.accountType: 整数
  • postedBy.subscribed: 布尔值
  • postedBy.noOfSubscription: 整数
  • postedBy.totalListing: 整数
  • postedBy.sellerType: 整数
  • postedBy.createdAt: 字符串
  • postedBy.updatedAt: 字符串
  • postedBy.__v: 整数
  • postedBy.address: 字符串
  • postedBy.city: 字符串
  • postedBy.country: 字符串
  • postedBy.gender: 字符串
  • postedBy.nationality: 字符串
  • postedBy.verificationType: 浮点数
  • postedBy.dob: 字符串
  • postedBy.locationISO: 字符串
  • postedBy.state: 字符串
  • postedBy.zipCode: 浮点数
  • postedBy.otherNames: 字符串
  • postedBy.facebookUrl: 字符串
  • postedBy.instagramUrl: 字符串
  • postedBy.phoneNumber1: 字符串
  • postedBy.phoneNumber2: 字符串
  • postedBy.websiteUrl: 字符串
  • postedBy.accountName: 字符串
  • postedBy.accountNo: 字符串
  • postedBy.bankName: 字符串
  • postedBy.verificationId: 浮点数
  • string_features: 字符串
  • complete_description: 字符串

数据分割

• 名称: train
• 字节数: 1596937
• 样本数: 423

数据集大小

• 下载大小: 529413
• 数据集大小: 1596937

搜集汇总

数据集介绍

构建方式

在电子商务与在线交易平台蓬勃发展的时代背景下，精细化的商品列表数据集对于构建智能推荐与搜索系统至关重要。Binaryy/cream_listings数据集通过系统化的数据采集与整合流程构建而成，其核心数据来源于一个涵盖多品类商品（如汽车、房地产等）的在线列表平台。该数据集以单一默认配置形式呈现，训练集包含423个样本，数据以分片形式存储于data/train-*路径下。每条记录均包含丰富的结构化字段，如商品标识、标题、位置、特征标签、描述文本、多媒体资源链接、价格、年份、状态及分类信息等，同时嵌套了发布者的详细个人资料与行为数据（如页面浏览量、收藏数等），从而形成一个层次清晰、维度多元的复合型数据集。

特点

Binaryy/cream_listings数据集的核心特点在于其高度的结构化与信息密度。数据模式中定义了超过70个字段，全面覆盖了商品属性（如颜色、发动机类型、卧室数量）、交易条件（是否出租）、分类层级（category子文档）以及发布者画像（postedBy子文档）等关键维度。尤为突出的是，该数据集不仅包含传统的文本与数值特征，还整合了图片与视频的序列化引用，为多模态学习提供了基础。此外，布尔型字段（如available、forRent）与浮点型字段（如price、noOfBed）的并存，使得该数据集适用于分类、回归及排序等多种任务场景。这种兼具广度与深度的特征工程，使其成为研究在线列表平台用户行为与商品匹配机制的理想数据源。

使用方法

在使用Binaryy/cream_listings数据集时，研究者可通过HuggingFace的datasets库直接加载训练集，利用其丰富的字段进行多样化的数据挖掘与模型训练。例如，可基于title与description字段构建文本嵌入模型，用于商品相似度计算或自动标签生成；利用price、year、noOfBed等数值特征进行价格预测或需求分析；借助images与videos字段探索多模态内容理解任务。同时，postedBy子文档中的用户行为数据（如pageViews、totalSaved）可用于开发个性化推荐算法或用户活跃度预测模型。建议在预处理阶段对嵌套字段进行展开处理，并注意处理序列化字段（如features、views）的空值情况，以确保数据加载与模型输入的兼容性。

背景与挑战

背景概述

在电子商务与在线交易平台蓬勃发展的当下，商品列表数据的结构化与多模态融合成为提升搜索推荐系统性能的关键。Binaryy/cream_listings数据集由匿名研究团队于近期构建，旨在捕捉涵盖汽车、房产及二手商品等多元类目的详细挂牌信息。该数据集包含423条训练样本，每条记录整合了标题、位置、价格、图片、视频、发布者档案及用户交互数据，其特色在于将结构化属性（如卧室数量、发动机类型）与非结构化文本描述、视觉内容相融合，为研究跨模态信息对齐、用户行为预测及动态定价模型提供了独特的数据基础。通过纳入发布者信誉指标与社交互动特征，该数据集推动了从静态商品匹配向动态市场生态分析的范式演进。

当前挑战

当前数据集面临的核心挑战集中于多模态异构数据的融合与稀疏性处理。首先，图像与视频序列的存在要求模型具备视觉特征提取与文本描述语义对齐的能力，而样本量仅423例，远低于深度学习对大规模标注数据的依赖，易导致过拟合。其次，特征空间高度异构，包含布尔型、数值型、字符串及嵌套数组，传统表格模型难以直接处理，需设计专门的编码器。此外，发布者隐私字段（如银行账户）的存在引发数据脱敏与伦理合规难题，而用户交互序列（如收藏、浏览）的稀疏性进一步增加了行为建模的难度。最后，跨类别（如汽车vs房产）的分布差异要求模型具备领域自适应能力，避免因类别不平衡而失效。

常用场景

经典使用场景

在电子商务与数字市场研究领域，Binaryy/cream_listings数据集以其丰富的结构化字段，成为分析在线商品列表与用户行为的经典资源。该数据集涵盖标题、位置、价格、床位数、浴室数、车辆特征等多元属性，并包含发布者信息与互动指标，为构建商品推荐系统、价格预测模型以及用户画像分析提供了坚实的数据基础。研究者可基于该数据，探索分类与回归任务，例如预测房产或车辆的租金水平、识别热门商品特征组合，或分析地理位置对交易成功率的影响。其精细的字段设计使得多模态学习成为可能，尤其是结合图像与文本描述进行联合建模，从而提升商品搜索与排序的精度。

实际应用

在实际应用中，Binaryy/cream_listings数据集为智能分类广告平台与房地产科技企业提供了关键支撑。基于该数据训练的机器学习模型可自动提取商品描述中的关键信息，实现类目精准划分与异常检测，显著降低人工审核成本。通过分析价格与特征的关系，平台能够为卖家和买家提供动态定价建议，优化交易效率。同时，发布者行为数据可用于构建欺诈检测系统，识别虚假列表或异常交易模式，保障平台生态安全。在汽车与房产租赁领域，该数据还能驱动个性化推荐引擎，根据用户历史偏好推送高匹配度商品，提升用户留存与转化率。

衍生相关工作

该数据集衍生了一系列具有影响力的研究工作，尤其在多模态学习与跨领域迁移学习方面。经典工作包括基于注意力机制的图像-文本对齐模型，用于商品描述与图片的一致性校验；以及利用图神经网络建模用户与商品之间的交互关系，提升推荐系统的鲁棒性。此外，有研究借助该数据验证了预训练语言模型在电商场景下的微调效果，证明其在处理包含数字与类别特征的结构化文本时表现优异。另一些工作聚焦于生成式模型，利用数据中的价格与属性分布训练条件变分自编码器，以合成合理的商品列表，扩展了数据增强与隐私保护的研究边界。