这是PaddleRec的数据集的的存储库。您可以在这里方便的一键下载我们处理完成的数据集，也可以使用PaddleRec轻松测试这些数据集上不同推荐模型的性能。
在PaddleRec/datasets目录下，您可以看到很多放置数据集的子目录，每个目录下都有一个run.sh脚本。执行下面的命令运行脚本即可一键下载预处理完成的数据集。
cd xxx # xxx为您需要下载的数据集目录名
sh run.sh同时，目录下也会有一个data_process.sh脚本，可以供您自己处理数据集。
cd xxx # xxx为您需要下载的数据集目录名
sh data_process.sh| 数据集名称 | 简介 | Reference |
|---|---|---|
| ag_news | 496835 条来自AG新闻语料库 4 大类别超过 2000 个新闻源的新闻文章，数据集仅仅援用了标题和描述字段。每个类别分别拥有 30,000 个训练样本及 1900 个测试样本。 | ComeToMyHead |
| Ali-CCP：Alibaba Click and Conversion Prediction | 从淘宝推荐系统的真实流量日志中收集的数据集。 | SIGIR(2018) |
| BQ | BQ是一个智能客服中文问句匹配数据集，该数据集是自动问答系统语料，共有120,000对句子对，并标注了句子对相似度值。数据中存在错别字、语法不规范等问题，但更加贴近工业场景 | -- |
| Census-income Data | 此数据集包含从1994年和1995年美国人口普查局进行的当前人口调查中提取的加权人口普查数据。数据包含人口统计和就业相关变量。 | Scaling Up the Accuracy of Naive-Bayes Classifiers: a Decision-Tree Hybrid |
| Criteo | 该数据集包括两部分：训练集和测试集。训练集包含一段时间内Criteo的部分流量，测试集则对应训练数据后一天的广告点击流量。 | kaggle |
| letor07 | LETOR是一套用于学习排名研究的基准数据集，其中包含标准特征、相关性判断、数据划分、评估工具和若干基线 | LETOR: Learning to Rank for Information Retrieval |
| senti_clas | 情感倾向分析（Sentiment Classification，简称Senta）针对带有主观描述的中文文本，可自动判断该文本的情感极性类别并给出相应的置信度。情感类型分为积极、消极。情感倾向分析能够帮助企业理解用户消费习惯、分析热点话题和危机舆情监控，为企业提供有利的决策支持 | -- |
| one_billion | 拥有十亿个单词基准，为语言建模实验提供标准的训练和测试 | One Billion Word Benchmark for Measuring Progress in Statistical Language Modeling |
| MIND | MIND即MIcrosoft News Dataset的简写，MIND里的数据来自Microsoft News用户的行为日志。MIND的数据集里包含了1,000,000的用户以及这些用户与160,000的文章的交互行为。 | Microsoft(2020) |
| movielens_pinterest_NCF | 论文原作者处理过的movielens数据集和pinterest数据集 | 《Neural Collaborative Filtering 》 |
| Anime | 该数据集包含73,516个用户对12,294个动漫的用户偏好数据。每个用户都可以将动漫添加到列表中并给它一个评分，该数据集是这些评分的汇总。 | Kaggle |
| LFM-1b | 此数据集包含由Last.FM的120,000多个用户创建的十亿多个音乐收听记录。每条收听记录均以艺术家，专辑和曲目名称为特征，并包含一个时间戳。 | ICMR 2016 |
| LFM-1b UGP | LFM-1b数据集的用户类型档案,作为LFM-1b的补充扩展 | ISM 2017 |
| Jester | 此数据集包含Jester Joke Recommender系统用户对笑话的匿名评分。 | UC Berkeley |
| Steam | 该数据集是Steam的评论和游戏信息，其中包含7,793,069条评论，2,567,538位用户和32,135个游戏。除评论文本外，数据还包括每个评论中用户的游戏时间。 | ICDM 2018 |
| Douban | 豆瓣电影是一个中文网站，允许互联网用户分享他们对电影的评论和观点。用户可以在电影上发表简短或长时间的评论并给他们打分。该数据集包含“豆瓣电影”网站中28部电影的200万条简短评论。 | Kaggle |
| TaFeng | 该数据集包含2000年11月至2001年2月中国杂货店的交易数据。 | Kaggle |
| Retailrocket | 数据是从真实的电子商务网站中收集的。它是原始数据，即没有任何内容转换，但是，由于保密问题，所有值都被哈希化。 | Kaggle |
| Netflix | 这是Netflix竞赛中使用的官方数据集。 | Kaggle |
| FourSquare | 此数据集包含在纽约和东京进行的大约10个月收集的签到。每个签到都有其时间戳，GPS坐标及其语义相关联。 | Kaggle |
| AmazonBook | 论文原作者处理过的AmazonBook数据集 | 《Controllable Multi-Interest Framework for Recommendation》 |