thulthula/Amazon-Reviews-2023-Extended-min500char-preview

---
configs:
- config_name: All_Beauty
data_files:
- split: train
path: data/All_Beauty/train-*.parquet
- config_name: Arts_Crafts_and_Sewing
data_files:
- split: train
path: data/Arts_Crafts_and_Sewing/train-*.parquet
- config_name: Automotive
data_files:
- split: train
path: data/Automotive/train-*.parquet
- config_name: Baby_Products
data_files:
- split: train
path: data/Baby_Products/train-*.parquet
- config_name: Beauty_and_Personal_Care
data_files:
- split: train
path: data/Beauty_and_Personal_Care/train-*.parquet
- config_name: Books
data_files:
- split: train
path: data/Books/train-*.parquet
- config_name: CDs_and_Vinyl
data_files:
- split: train
path: data/CDs_and_Vinyl/train-*.parquet
- config_name: Cell_Phones_and_Accessories
data_files:
- split: train
path: data/Cell_Phones_and_Accessories/train-*.parquet
- config_name: Clothing_Shoes_and_Jewelry
data_files:
- split: train
path: data/Clothing_Shoes_and_Jewelry/train-*.parquet
- config_name: Electronics
data_files:
- split: train
path: data/Electronics/train-*.parquet
- config_name: Gift_Cards
data_files:
- split: train
path: data/Gift_Cards/train-*.parquet
- config_name: Grocery_and_Gourmet_Food
data_files:
- split: train
path: data/Grocery_and_Gourmet_Food/train-*.parquet
- config_name: Health_and_Household
data_files:
- split: train
path: data/Health_and_Household/train-*.parquet
- config_name: Home_and_Kitchen
data_files:
- split: train
path: data/Home_and_Kitchen/train-*.parquet
- config_name: Industrial_and_Scientific
data_files:
- split: train
path: data/Industrial_and_Scientific/train-*.parquet
- config_name: Kindle_Store
data_files:
- split: train
path: data/Kindle_Store/train-*.parquet
- config_name: Magazine_Subscriptions
data_files:
- split: train
path: data/Magazine_Subscriptions/train-*.parquet
- config_name: Movies_and_TV
data_files:
- split: train
path: data/Movies_and_TV/train-*.parquet
- config_name: Musical_Instruments
data_files:
- split: train
path: data/Musical_Instruments/train-*.parquet
- config_name: Office_Products
data_files:
- split: train
path: data/Office_Products/train-*.parquet
- config_name: Patio_Lawn_and_Garden
data_files:
- split: train
path: data/Patio_Lawn_and_Garden/train-*.parquet
- config_name: Pet_Supplies
data_files:
- split: train
path: data/Pet_Supplies/train-*.parquet
- config_name: Software
data_files:
- split: train
path: data/Software/train-*.parquet
- config_name: Sports_and_Outdoors
data_files:
- split: train
path: data/Sports_and_Outdoors/train-*.parquet
- config_name: Tools_and_Home_Improvement
data_files:
- split: train
path: data/Tools_and_Home_Improvement/train-*.parquet
- config_name: Toys_and_Games
data_files:
- split: train
path: data/Toys_and_Games/train-*.parquet
- config_name: Unknown
data_files:
- split: train
path: data/Unknown/train-*.parquet
- config_name: Video_Games
data_files:
- split: train
path: data/Video_Games/train-*.parquet
---

# Amazon Reviews 2023 — Extended 5-core Dataset (Preview)

Extended version of [McAuley-Lab/Amazon-Reviews-2023](https://huggingface.co/datasets/McAuley-Lab/Amazon-Reviews-2023) with review text and product metadata joined. Only products with combined text (title + features + description) ≥ 500 characters are included.

**Preview dataset** — 100 random rows per category.

## Columns
- `split` — train / valid / test (last-out 5-core benchmark)
- `user_id` — reviewer ID
- `parent_asin` — product group ID
- `asin` — exact variant purchased
- `product_images` — list of hi-res image URLs
- `product_title` — product name
- `features` — bullet-point product features
- `description` — product description
- `review_text` — full review text
- `review_rating` — 1–5 star rating

配置项：
- 配置名称：全品类美妆 (All_Beauty)
数据文件：
- 划分方式：训练集
文件路径：data/All_Beauty/train-*.parquet
- 配置名称：手工艺与缝纫用品 (Arts_Crafts_and_Sewing)
数据文件：
- 划分方式：训练集
文件路径：data/Arts_Crafts_and_Sewing/train-*.parquet
- 配置名称：汽车用品 (Automotive)
数据文件：
- 划分方式：训练集
文件路径：data/Automotive/train-*.parquet
- 配置名称：母婴用品 (Baby_Products)
数据文件：
- 划分方式：训练集
文件路径：data/Baby_Products/train-*.parquet
- 配置名称：美妆与个人护理 (Beauty_and_Personal_Care)
数据文件：
- 划分方式：训练集
文件路径：data/Beauty_and_Personal_Care/train-*.parquet
- 配置名称：图书 (Books)
数据文件：
- 划分方式：训练集
文件路径：data/Books/train-*.parquet
- 配置名称：CD与黑胶唱片 (CDs_and_Vinyl)
数据文件：
- 划分方式：训练集
文件路径：data/CDs_and_Vinyl/train-*.parquet
- 配置名称：手机及配件 (Cell_Phones_and_Accessories)
数据文件：
- 划分方式：训练集
文件路径：data/Cell_Phones_and_Accessories/train-*.parquet
- 配置名称：服装、鞋履与珠宝 (Clothing_Shoes_and_Jewelry)
数据文件：
- 划分方式：训练集
文件路径：data/Clothing_Shoes_and_Jewelry/train-*.parquet
- 配置名称：电子产品 (Electronics)
数据文件：
- 划分方式：训练集
文件路径：data/Electronics/train-*.parquet
- 配置名称：礼品卡 (Gift_Cards)
数据文件：
- 划分方式：训练集
文件路径：data/Gift_Cards/train-*.parquet
- 配置名称：食品杂货与精品美食 (Grocery_and_Gourmet_Food)
数据文件：
- 划分方式：训练集
文件路径：data/Grocery_and_Gourmet_Food/train-*.parquet
- 配置名称：健康与家居用品 (Health_and_Household)
数据文件：
- 划分方式：训练集
文件路径：data/Health_and_Household/train-*.parquet
- 配置名称：家居与厨具 (Home_and_Kitchen)
数据文件：
- 划分方式：训练集
文件路径：data/Home_and_Kitchen/train-*.parquet
- 配置名称：工业与科学用品 (Industrial_and_Scientific)
数据文件：
- 划分方式：训练集
文件路径：data/Industrial_and_Scientific/train-*.parquet
- 配置名称：Kindle商店 (Kindle_Store)
数据文件：
- 划分方式：训练集
文件路径：data/Kindle_Store/train-*.parquet
- 配置名称：杂志订阅 (Magazine_Subscriptions)
数据文件：
- 划分方式：训练集
文件路径：data/Magazine_Subscriptions/train-*.parquet
- 配置名称：影视 (Movies_and_TV)
数据文件：
- 划分方式：训练集
文件路径：data/Movies_and_TV/train-*.parquet
- 配置名称：乐器 (Musical_Instruments)
数据文件：
- 划分方式：训练集
文件路径：data/Musical_Instruments/train-*.parquet
- 配置名称：办公用品 (Office_Products)
数据文件：
- 划分方式：训练集
文件路径：data/Office_Products/train-*.parquet
- 配置名称：庭院、草坪与园艺用品 (Patio_Lawn_and_Garden)
数据文件：
- 划分方式：训练集
文件路径：data/Patio_Lawn_and_Garden/train-*.parquet
- 配置名称：宠物用品 (Pet_Supplies)
数据文件：
- 划分方式：训练集
文件路径：data/Pet_Supplies/train-*.parquet
- 配置名称：软件 (Software)
数据文件：
- 划分方式：训练集
文件路径：data/Software/train-*.parquet
- 配置名称：运动与户外用品 (Sports_and_Outdoors)
数据文件：
- 划分方式：训练集
文件路径：data/Sports_and_Outdoors/train-*.parquet
- 配置名称：工具与家居装修用品 (Tools_and_Home_Improvement)
数据文件：
- 划分方式：训练集
文件路径：data/Tools_and_Home_Improvement/train-*.parquet
- 配置名称：玩具与游戏 (Toys_and_Games)
数据文件：
- 划分方式：训练集
文件路径：data/Toys_and_Games/train-*.parquet
- 配置名称：未知类别 (Unknown)
数据文件：
- 划分方式：训练集
文件路径：data/Unknown/train-*.parquet
- 配置名称：电子游戏 (Video_Games)
数据文件：
- 划分方式：训练集
文件路径：data/Video_Games/train-*.parquet

# 2023年亚马逊评论——扩展5-core数据集（预览版）

本数据集为[McAuley-Lab/Amazon-Reviews-2023](https://huggingface.co/datasets/McAuley-Lab/Amazon-Reviews-2023)的扩展版本，已将评论文本与产品元数据进行关联。仅保留组合文本（标题+产品特性+描述）长度≥500字符的商品。

**预览版数据集**——每个类别随机抽取100条数据。

## 字段说明
- `split` — 训练集/验证集/测试集（留后5-core基准测试集）
- `user_id` — 评论者ID
- `parent_asin` — 商品组ID
- `asin` — 所购商品的具体变体ID
- `product_images` — 高分辨率图片URL列表
- `product_title` — 商品名称
- `features` — 项目符号形式的商品特性
- `description` — 商品描述
- `review_text` — 完整评论文本
- `review_rating` — 1至5星评分

搜集汇总

数据集介绍

构建方式

在电子商务与自然语言处理交叉领域，Amazon-Reviews-2023-Extended-min500char-preview数据集通过整合亚马逊平台的用户评论与产品元数据构建而成。该数据集基于McAuley-Lab/Amazon-Reviews-2023的扩展版本，将评论文本与产品标题、特性及描述等信息进行关联融合，并设定筛选条件，仅保留产品组合文本（标题、特性、描述之和）长度不少于500字符的条目，以确保数据的丰富性与深度。数据以分块Parquet格式存储，涵盖从美容、书籍到电子产品等30余个商品类别，每个类别随机抽取100行作为预览样本，为研究者提供了跨领域的结构化语料基础。

使用方法

在应用层面，该数据集适用于电子商务分析、自然语言处理及多模态学习等多个研究方向。研究者可通过HuggingFace平台直接加载特定商品类别的配置，以Parquet格式读取数据，高效访问结构化字段。数据中的评论文本与产品元数据可用于训练情感分类模型、生成个性化推荐系统，或结合图像URL进行跨模态表征学习。由于数据集已按5-core基准划分，用户可直接基于预设的split列进行模型训练与评估，无需额外处理数据分割，从而专注于算法设计与性能优化，推动在线消费行为与产品认知的深度挖掘。

背景与挑战

背景概述

Amazon-Reviews-2023-Extended-min500char-preview数据集是McAuley-Lab于2023年发布的亚马逊评论数据集的扩展版本，旨在为自然语言处理与推荐系统研究提供高质量的多模态语料。该数据集由加州大学圣地亚哥分校的Julian McAuley教授及其团队构建，核心研究问题聚焦于通过整合用户评论、产品元数据及图像信息，深入探索跨领域商品的情感分析、个性化推荐及产品理解。其影响力不仅体现在为学术界提供了大规模、细粒度的真实商业数据，还推动了多模态机器学习模型在电子商务场景中的创新应用。

当前挑战

该数据集致力于解决电子商务领域中的多模态情感分析与个性化推荐挑战，具体包括如何从冗长且噪声丰富的评论文本中提取有效语义，以及如何融合异构的产品特征、图像与文本信息以实现精准的用户偏好建模。在构建过程中，研究人员面临数据清洗与整合的复杂性，例如确保产品元数据与评论的准确对齐，并筛选出文本长度超过500字符的样本以保障信息密度，同时需处理大规模数据中的缺失值与格式不一致问题，这些挑战对数据集的可靠性与实用性构成了关键考验。

常用场景

经典使用场景

在自然语言处理与推荐系统领域，Amazon-Reviews-2023-Extended-min500char-preview数据集常被用于多模态情感分析与个性化推荐模型的训练与评估。该数据集整合了丰富的产品元数据与用户评论文本，其评论内容长度超过500字符，确保了文本信息的充分性，为研究者提供了高质量的细粒度情感表达样本。经典应用场景包括基于文本与图像特征的联合建模，以预测用户评分或生成个性化推荐，尤其在跨类别商品分析中展现出显著价值。

解决学术问题

该数据集有效解决了学术研究中关于大规模真实世界用户行为建模的若干挑战。通过提供结构化的产品特征、详细描述及长篇评论，它支持了细粒度情感分析、跨领域推荐系统鲁棒性评估以及多模态数据融合方法的研究。其意义在于推动了推荐算法从单纯评分预测向理解用户深层意图与产品属性关联的转变，为可解释人工智能与领域自适应学习提供了关键数据支撑，促进了电子商务环境下人机交互研究的深入发展。

实际应用

在实际商业场景中，该数据集被广泛应用于电子商务平台的智能推荐引擎优化、用户评论情感挖掘以及产品竞争力分析。企业可借助其多维度数据训练模型，自动识别用户偏好趋势，提升商品搜索与排序的准确性，同时通过分析长篇评论中的细节反馈，辅助产品改进与市场营销策略制定。例如，在电子产品或家居用品类别中，模型能依据文本与图像特征精准匹配用户需求，增强购物体验与客户忠诚度。

数据集最近研究

最新研究方向

在电子商务与自然语言处理交叉领域，Amazon-Reviews-2023-Extended-min500char-preview数据集以其丰富的多模态信息与结构化元数据，正推动着前沿研究向深度语义理解与跨模态融合方向发展。该数据集整合了评论文本、产品图像及详细元数据，为大规模语言模型在细粒度情感分析、个性化推荐系统以及生成式人工智能的应用提供了坚实基础。近期研究热点聚焦于利用其扩展的文本长度与多模态特征，探索跨领域迁移学习、虚假评论检测及基于视觉-语言对齐的产品理解，这些方向不仅回应了电商平台对可信内容与智能服务的迫切需求，也显著提升了模型在真实场景中的泛化能力与解释性。