merrec

מה זה

הנתונים מגיעים ישירות מזירת המסחר של מרקארי בארצות הברית, והם מתמקדים באינטראקציות בין צרכנים. המאגר כולל מעל חמישה מיליון משתמשים ייחודיים, מעל שמונים מיליון פריטים שונים, ומעל מיליארד אירועים שמחולקים ליותר ממאתיים מיליון סשנים של גלישה ורכישה. כל הנתונים עברו התמרה ואנונימיזציה מלאה כדי להגן על פרטיות המשתמשים, כך שלא תמצאו כאן פרטים מזהים ישירים.

התוכן עצמו מחולק לשישה מדריכים לפי חודשים שונים בשנת 2023, למשל מאי של אותה שנה. כל חודש כזה מכיל כארבע מאות קבצים, ובסך הכל המאגר מורכב מ־2,172 קבצי נתונים. בנוסף לרצף האירועים, יש כאן ייצוג טקסטואלי נרחב של כותרות הפריטים, עם למעלה משמונה מיליארד טוקנים שמאפשרים לשלב מודלי שפה בתוך ניתוח הפעילות של המשתמשים.

מתאים ל

• אימון מערכות המלצה

  לימוד רצפי הקלקות ורכישות על מיליוני סשנים אמיתיים של משתמשים.

• מחקר על שרשראות אירועים

  ניתוח התנהגות גולשים בזירות מסחר שבין צרכנים על בסיס נתוני עתק.

• שילוב טקסט בהמלצות

  בניית מודלים שמשלבים ייצוגי כותרות מתוך שמונה מיליארד טוקנים.

איפה זה נופל

הנתונים מגיעים רק מפלטפורמת מסחר מסוג C2C בארצות הברית, ולכן הם לא משקפים קנייה קמעונאית רגילה מחברות. כל הטקסטים בכותרות הם באנגלית בלבד ואין כאן עברית כלל. בנוסף, המידע מוגבל לחודשים ספציפיים בשנת 2023, כך ששינויים עונתיים או טרנדים חדשים יותר לא קיימים בו. תיאורי הפריטים ועיבוד התכונות עברו סינון ואנונימיזציה, ולכן חלק מהמידע הגולמי חסר.

איך טוענים

הנתונים מגיעים בפורמט Parquet שמחולק לאלפי קבצים לפי תאריכים, כמו התיקייה של מאי 2023. הגישה פתוחה ואינה דורשת אישור מראש, אבל מדובר בסדר גודל של מיליארדי שורות כך שחובה להשתמש בכלים שתומכים בעיבוד מבוזר או בטעינה של חלקים ספציפיים. אין צורך להוריד את כל המאגר בבת אחת, ואפשר לעבוד רק על חודש בודד כדי לפתח אבטיפוס ראשוני.

from datasets import load_dataset

ds = load_dataset("mercari-us/merrec")

הרישיון

הרישיון הוא CC BY-NC 4.0. המשמעות פשוטה: השימוש מותר אך ורק למטרות מחקר ולימוד, וחל איסור מוחלט להשתמש בו לצרכים מסחריים. חובה לתת קרדיט ליוצרים. אם תאמנו עליו מודל כדי להטמיע אותו במוצר שמייצר הכנסות, אתם מפרים את תנאי הרישיון.

• שינוי הקוד
• חובת ייחוס
• שימוש מסחרי: לא

הרישיון המלא ב־Hugging Face ↗