详细内容或原文请订阅后点击阅览
弥合差距：新数据集将推荐研究推向现实世界规模
在推荐研究中公开可用的数据集当前塑造了该领域。
来源:KDnuggets赞助内容
推荐系统依靠数据，但是对真正的代表性数据的访问一直是研究人员的挑战。与实际环境中用户交互的复杂性和数量相比，大多数学术数据集均苍白，因为由于隐私问题和商业价值，该数据通常被锁定在公司内部。
近年来，已经公开了几个新数据集，旨在更好地反映现实世界中的使用模式，跨越音乐，电子商务，广告以及其他方式。最近发行的一个值得注意的是Yambda-5b，这是由Yandex贡献的50亿个事件数据集，该数据基于其音乐流服务中的数据，现已通过Hugging Face获得。 Yambda有3种尺寸（50m，500m，5b），其中包括强调可访问性和可用性的基准。它加入了越来越多的资源列表，有助于缩小推荐系统中的研究对生产差距。
yambda-5b以下是对当前塑造该领域的关键数据集的简要调查。
查看推荐研究中的公开可用数据集
最早，最广泛使用的数据集之一。它包括用户提供的电影评分（1-5星），但规模和多样性限制 - 最初的原型制作理想，但不代表当今的动态内容平台。
推荐历史记录中的具有里程碑意义的数据集（〜100m评级），尽管现在已经约会。它的静态快照和缺乏详细的元数据限制了现代适用性。
包含860万评论，但覆盖范围稀疏且特定于城市。对于本地商业研究很有价值，但对于大型可推广模型而言并不是最佳的。
为Recsys 2018发布，该数据集有助于分析短期和顺序的听力行为。但是，它缺乏长期的历史和明确的反馈。
一个大量的广告点击数据集，展示了工业规模的交互。虽然数量令人印象深刻，但它提供了最小的元数据，并优先考虑点击率（CTR）而不是推荐逻辑。
Turing Post Avi Chawla Turing PostAvi Chawla