在线知识共享中的大规模富上下文查询与推荐数据集

数据在机器学习研究中起着至关重要的作用。在推荐研究中，用户行为与侧信息均有助于对用户建模。因此，具有丰富用户行为的大规模真实场景数据集将大有裨益。然而，此类数据集不易获取，因为大多数仅由公司持有并保护。本文提出一个从知识共享平台收集的新大规模数据集，其包含 10 天内收集的约 1 亿次交互、798K 用户、165K 问题、554K 回答、240K 作者、70K 话题以及超过 501K 用户查询关键词。其中亦包含对用户、回答、问题、作者与话题的匿名描述。需注意，每个用户最新的查询关键词未包含于以往开放数据集中，其揭示了用户的显式信息需求。我们对该数据集进行刻画，并展示其在推荐研究中的潜在应用。多项实验表明该数据集可用于评估通用 Top-N 推荐、序列推荐与上下文感知推荐中的算法。该数据集亦可被用于整合搜索与推荐，以及带负反馈的推荐。此外，推荐之外的任务，如用户性别预测、最具价值回答者识别与高质量回答识别，也可使用该数据集。据我们所知，这是用于个性化推荐的最大真实世界交互数据集。