新闻推荐(5): 主流数据集介绍

前言

借着ACL2020上MASR的MIND数据集论文介绍一些新闻推荐中常用的数据集/

• 论文：MIND: A Large-scale Dataset for News Recommendation
• The adressa dataset for news recommendation.
• 本文为自己的论文阅读笔记，如有错误/问题欢迎评论区指正
• 本篇文章为本人原创内容，如需转载引用，请务必提前联系本人并在文中附上原链接及相应说明，包括作者信息（阿瑟）

数据集

用于新闻推荐的数据集相对较少，主要数据集对比如下：

Plista

(2013年)通过收集13个德国新闻门户网站上发表的新闻文章和用户的点击日志，构建了 Plista4数据集。它包含70,353篇新闻文章和1,095,323次点击.该数据集中的新闻文章为德语，用户主要来自德语国家。

Adressa

Adressa 数据是根据 adreseavisen 网站的日志在10周内构建的,它有48,486篇新闻文章，3,083,438个用户和27,223,576个点击事件。每个点击事件包含几个属性，如会话时间、新闻标题、新闻类别和用户 ID。每篇新闻文章都与作者、实体和主体等详细信息相关联。本数据集中的新闻文章是用挪威语写的。整个数据集分为规模不同的两个版本。

整体来讲，Adressa是内容最为全面的，可以做常规的新闻推荐，也可也基于session做，也可以探究基于知识图谱的推荐

Globo

2018年)从巴西一个流行的新闻门户网站 globo 建立了一个新闻推荐数据集。这个数据集包含大约314,000个用户，46,000篇新闻文章和300万次点击记录。每个单击记录都包含用户 ID、新闻 ID 和会话时间等字段。最早开放在Kaggle平台上，提供训练好的新闻embedding，没有原始的新闻文章信息。

Yahoo!

它包含14180篇新闻文章和34022次点击事件。每篇新闻文章都由单词 id 表示，不提供原始新闻文本。此数据集中的用户数量未知，因为没有用户 ID。

相关推荐算法

论文中对比了主流研究的新闻推荐算法的效果，如下，相关论文感兴趣的可以自行搜索：

END

如果觉得有用，欢迎点赞关注赞赏，若对推荐感兴趣欢迎评论区/私信交流~~~