EEG-SVRec

EEG-SVRec是清华大学计算机科学与技术系创建的第一个包含用户多维情感参与标签的EEG数据集，专注于短视频推荐领域。该数据集包含3657次交互，通过30名参与者的实验收集，提供了丰富的用户偏好和认知活动数据。数据集通过结合自我评估技术和实时低成本的EEG信号，详细理解用户的情感体验（如愉悦度、唤醒度、沉浸感、兴趣、视觉和听觉）及其背后的认知机制。EEG-SVRec的应用领域主要在于深入理解推荐系统中用户行为的情感体验和认知活动，为短视频推荐系统的未来研究铺平道路。

EEG-SVRec is the first EEG dataset with multi-dimensional user emotional engagement tags, created by the Department of Computer Science and Technology at Tsinghua University, focusing on the field of short-video recommendation. This dataset comprises 3,657 interaction records, collected from experiments involving 30 participants, and provides abundant data on user preferences and cognitive activities. By integrating self-assessment technologies and real-time low-cost EEG signals, this dataset enables in-depth understanding of users' emotional experiences (including valence, arousal, immersion, interest, visual and auditory aspects) and the underlying cognitive mechanisms. The core application scenarios of EEG-SVRec lie in deeply comprehending the emotional experiences and cognitive activities of user behaviors in recommendation systems, thus paving the way for future research on short-video recommendation systems.

搜集汇总

数据集介绍

构建方式

在短视频推荐领域，传统系统依赖行为数据推断用户偏好，但常受数据稀疏性和噪声干扰。为深入理解用户情感体验与认知活动，EEG-SVRec数据集通过严谨实验构建：招募30名参与者，在实验室环境中使用64通道脑电设备采集其浏览短视频时的脑电与心电信号。实验分为浏览与标注两阶段，浏览阶段呈现个性化、非个性化及随机化视频序列，并记录用户互动行为；标注阶段则通过自评问卷收集每位参与者对视频的多维情感参与度评分，涵盖愉悦度、唤醒度、沉浸感、兴趣度、视觉与听觉质量六个维度。最终整合了3,657次交互数据，形成包含行为日志、生理信号及多维标注的丰富资源。

特点

EEG-SVRec作为首个融合脑电信号与多维情感标注的短视频推荐数据集，其突出特点在于多模态数据的深度融合。数据集不仅提供用户行为日志与视频特征，更同步采集高时间分辨率的脑电与心电信号，精准捕捉浏览过程中的神经活动。尤为独特的是，它引入了由用户自评的多维情感参与度评分，从情感、认知与感知等多角度量化用户体验，突破了传统单一反馈指标的局限。此外，数据集涵盖个性化、随机化等多种推荐场景，视频时长与内容经过严格筛选，确保了数据的多样性与生态效度，为探索用户行为背后的认知机制提供了前所未有的细粒度视角。

使用方法

该数据集适用于短视频推荐、情感计算及神经营销等多个研究领域。使用者可基于行为日志与多维评分，训练或验证推荐算法，探索情感反馈与互动行为的关联。脑电信号经过预处理后，可提取差分熵等特征，用于构建用户认知状态模型，或作为辅助特征融入推荐系统以提升预测性能。研究人员还可结合视频的视觉与听觉特征，分析多媒体内容对用户感知的影响。数据集已划分训练、验证与测试集，并提供了基准实验代码，便于快速开展个性化评分预测、情感识别或跨模态融合等任务，推动脑机交互在推荐系统中的创新应用。

背景与挑战

背景概述

在短视频平台蓬勃发展的时代背景下，用户行为数据稀疏性与噪声干扰成为推荐系统精准理解用户偏见的瓶颈。为突破这一局限，清华大学等机构的研究团队于2024年提出了EEG-SVRec数据集，这是首个融合脑电图信号与用户多维情感参与标注的短视频推荐数据集。该数据集通过采集30名参与者在真实浏览场景下的3657次交互数据，同步记录脑电信号、行为日志及六维情感评分，旨在从神经认知层面深入解析用户的情感体验与行为机制，为构建更人性化、精准化的推荐系统提供了全新的数据范式与研究视角。

当前挑战

该数据集致力于解决传统推荐系统过度依赖稀疏、含噪行为数据而难以精准捕捉用户内在偏好的核心挑战。具体而言，其构建过程面临多重困难：在数据采集层面，需在高度生态效度的真实浏览场景中，同步保障高精度脑电信号的质量与用户自然交互的流畅性，技术协调难度显著；在标注设计上，如何科学定义并量化‘沉浸感’、‘兴趣度’等多维情感参与指标，并将其与神经信号有效关联，构成了方法论上的关键挑战。此外，数据规模受限于脑电采集的高成本与复杂性，样本的代表性与结论的普适性仍需在后续研究中进一步验证与拓展。

常用场景

经典使用场景

在神经信息检索与推荐系统交叉领域，EEG-SVRec数据集为探索脑电信号与用户多维度情感参与度之间的关联提供了关键实验平台。该数据集通过记录用户在真实短视频浏览场景下的脑电活动、行为日志及六维情感标注，为构建融合神经生理反馈的推荐模型奠定了数据基础。其经典应用场景在于训练和验证能够同步解析用户显性行为与隐性神经反应的混合推荐算法，推动推荐系统从单纯的行为建模迈向认知与情感层面的深度理解。

衍生相关工作

自该数据集发布以来，已催生了一系列围绕神经推荐系统的创新研究。经典衍生工作包括利用脑电微分熵特征增强协同过滤模型性能的探索，以及开发基于图卷积神经网络（如DGCNN）以融合电极空间信息的深度推荐架构。这些研究进一步验证了脑电信号作为辅助信息源，在提升评分预测准确性、深化用户表征学习方面的潜力，为后续研究奠定了方法论基础。

数据集最近研究

最新研究方向

在短视频推荐领域，随着神经科学技术的融合，EEG-SVRec数据集正推动着前沿研究向多模态情感计算与认知机制解析方向深化。该数据集通过整合脑电图信号与多维情感参与标签，为理解用户内在认知活动与外在行为关联提供了独特视角。当前研究热点聚焦于利用脑电信号增强推荐算法的个性化性能，探索情感维度如愉悦度、唤醒度、沉浸感等与用户交互行为的深层关联，并致力于开发基于脑电引导的推荐模型，以突破传统行为数据在稀疏性和噪声方面的局限。这一进展不仅为短视频平台优化用户体验提供了科学依据，也为跨学科研究开辟了新的路径，具有推动推荐系统向更人性化、精准化方向发展的深远意义。

相关研究论文

• EEG-SVRec: An EEG Dataset with User Multidimensional Affective Engagement Labels in Short Video Recommendation

  清华大学计算机科学与技术系 · 2024年