H-and-M-Personalized-Fashion-Recommendations

H&M Group匿名交易和元数据数据集，包含客户交易、详细的客户属性和广泛的产品元数据，以及一组相应的产品图片。数据集由三个主要的表格文件组成：交易日志、客户属性和产品属性，并可通过关联这些文件进行统一分析。

The H&M Group Anonymous Transactions and Metadata Dataset includes customer transactions, detailed customer attributes, extensive product metadata, and a corresponding set of product images. The dataset consists of three primary tabular files: transaction logs, customer attributes, and product attributes, which can be jointly analyzed by linking these files.

搜集汇总

数据集介绍

构建方式

在个性化时尚推荐系统的研究领域中，H-and-M-Personalized-Fashion-Recommendations数据集通过整合真实商业场景中的用户交互记录与商品元数据构建而成。其构建过程涵盖了用户行为日志的匿名化处理、商品图像与文本描述的标准化采集，以及时序交互序列的结构化整理，确保了数据在反映真实消费偏好的同时严格遵循隐私保护规范。

特点

该数据集的显著特点在于其多模态数据的深度融合，既包含高分辨率的服装图像，也涵盖详细的商品属性描述和用户历史交互行为。时序动态性与稀疏性并存的特征使其能够有效模拟真实推荐环境中的冷启动问题与兴趣漂移现象，为研究复杂用户偏好演化提供了丰富样本。

使用方法

研究者可借助该数据集开展个性化推荐算法的验证与优化，尤其适用于基于深度学习的多模态融合推荐模型训练。典型使用流程包括数据预处理中的序列分割与负采样、图像与文本特征的联合嵌入学习，以及通过时序切分实现离线评估与在线模拟的闭环验证。

背景与挑战

背景概述

H&M个性化时尚推荐数据集由全球知名时尚零售商H&M集团于2022年发布，旨在推动电子商务场景下的个性化推荐算法研究。该数据集涵盖数百万用户行为记录、商品元数据及交互时序信息，核心研究聚焦于跨模态匹配、动态偏好建模与可解释推荐系统构建。其多维度标注体系为时尚领域的消费行为分析、趋势预测及供应链优化提供了关键数据支撑，显著促进了推荐系统在垂直领域的应用深化。

当前挑战

该数据集需解决时尚领域高动态性、主观偏好建模及冷启动问题，具体包括短期潮流与长期风格的平衡、多模态商品信息（图像/文本）的语义对齐、以及稀疏交互场景下的泛化能力。构建过程中面临多源异构数据融合、用户隐私保护与脱敏、以及真实场景噪声（如非理性点击行为）的清洗等挑战，需通过时序建模与增强标注策略提升数据质量。

常用场景

经典使用场景

在个性化推荐系统研究中，H&M时尚推荐数据集常被用于构建和评估基于深度学习的协同过滤模型。该数据集通过记录用户与商品的交互行为，为研究人员提供了验证序列推荐和图神经网络效果的实验平台，尤其在处理时尚领域的动态偏好和季节性趋势方面展现出显著价值。

衍生相关工作

基于该数据集衍生的经典工作包括结合Transformer的序列推荐模型SASRec，以及融合视觉特征的VBPR算法。这些研究不仅推动了时尚推荐领域的进展，还为跨模态表示学习提供了新范式，后续工作如TALLRec框架进一步扩展了其在多任务学习中的应用潜力。

数据集最近研究

最新研究方向

在个性化时尚推荐领域，H&M数据集正推动基于Transformer的多模态融合研究，结合视觉特征与用户时序行为数据构建动态偏好模型。联邦学习技术的应用成为热点，在保障用户隐私前提下实现跨平台协同过滤，相关研究已落地于欧洲数据合规场景。该数据集亦支持可持续时尚方向探索，通过预测单品生命周期减少库存浪费，契合时尚产业绿色转型趋势。