Explorer_LLM_Rec_Competition
קוד פתוחOpenOneRecרישיון לא דווח2026-07-01
המאגר כולל סדרות התנהגות אמיתיות של משתמשים בארבע זירות תוכן שונות לצד מיפוי לטקסט ולמזהים סמנטיים. הוא נבנה במיוחד לאימון מודלי שפה עבור משימות המלצה חוצות תחומים.
- 2,247הורדות בחודש
- 21לייקים
מה זה
הרשומות מייצגות פרופילי משתמשים אנונימיים, כחצי מיליון שורות, כאשר כל שורה כוללת רצפי פעולות היסטוריות מארבעה עולמות שונים: וידאו קצר, פרסומות, מסחר אלקטרוני ושידורים חיים. הנתונים נלקחו מאינטראקציות אמיתיות של משתמשים במערכות וידאו ומסחר, ועברו ערבול מזהים כך שאין מזהי משתמשים וכל המזהים של פריטים, יוצרים ושידורים מופיעים כמספרי int64 מעורבלים.
המבנה מחולק למספר תיקיות ייעודיות שמתחברות באמצעות מזהה התוכן והתחום שלו. תיקיית פרופיל המשתמש מכילה את הרצפים המיושרים של צפיות, הקלקות, רכישות, לייקים וסימונים שליליים. שאר התיקיות מספקות מטא-דאטה לפריטים, כולל מיפוי למזהה סמנטי בעל שלושה מקטעים, תיאורי טקסט ותגיות קטגוריה עד רמה 3, לצד נתוני ידע כללי.
מתאים ל
- המלצות חוצות תחומים
אימון מודל לחזות רכישות או צפיות וידאו על בסיס היסטוריית פעילות בשידורים חיים ופרסומות.
- איחזור במזהים סמנטיים
מיפוי תוכן לייצוג סמנטי מובנה בשלושה חלקים כדי לבצע חיפוש וסידור פריטים במודלי שפה.
- חיזוי המרות במסחר
ניתוח רצפי צפיות והקלקות במוצרים יחד עם פערי זמנים כדי לחזות פעולות הוספה לסל ורכישה.
איפה זה נופל
כל המזהים במאגר עברו ערבול חד-כיווני, כך שאין שום גישה למזהה משתמש עקבי, שמות פריטים אמיתיים או סרטונים בפועל. שפת תיאורי הטקסט אינה מוגדרת בכרטיס הנתונים ורמת הכיסוי שלהם לא ידועה, מה שדורש בדיקה מוקדמת לפני שמבססים על זה מודל לשפה טבעית. בנוסף, חלוקת הזמנים היא פנימית ברמת הפרש שעות מסנאפשוט של רכישה, כך שאי אפשר להסיק תאריכים מוחלטים מהעולם האמיתי.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא מומלץ בכלל. יוצרי המאגר לא דיווחו על רישיון שימוש, ובהיעדר רישיון פתוח אין לכם זכות חוקית להשתמש במידע או להפיץ מודל שאומן עליו בסביבה מסחרית.
האם הטקסטים בתיאורי הפריטים כוללים עברית?
הכרטיס לא מציין באילו שפות נכתבו תיאורי הפריטים והתגיות. בהתחשב במבנה הנתונים שנשען על פלטפורמות וידאו קצר ומסחר, סביר מאוד שמדובר באנגלית או סינית, ולכן צריך לבדוק מדגם מקבצי התיאורים לפני שמסתמכים על התוכן המילולי.
איך המידע הזה נאסף במקור?
הנתונים נדגמו מתוך אינטראקציות אמיתיות של משתמשים עם מערכות וידאו קצר, פרסומות, מוצרים ושידורים חיים. המערכת ערבלה את כל המזהים האישיים והפריטים והמירה אותם למספרים, לצד סנאפשוט של זמני פעילות.
מה מייחד אותו לעומת סטים רגילים של המלצות?
רוב המאגרים בתחום מבודדים פעילות של מוצר יחיד או דירוגי סרטים בלבד. כאן יש רצפים מיושרים של משתמש בודד לאורך ארבע סביבות תוכן שונות, כולל מיפוי למזהים סמנטיים שמותאמים ישירות לטוקניזציה במודלי שפה.
איך טוענים
הנתונים מחולקים למאות קבצי Parquet בתוך תיקיות מוגדרות מראש, ללא דרישה לאישור גישה ידני. כדי לעבוד איתם בפועל תצטרכו לקרוא את רצפי הפרופילים ולחבר אליהם את טבלאות המטא-דאטה באמצעות שדות המפתח של התחום והמזהה המעורבל. שימו לב ליישור האורכים בין רצפי המזהים לרצפי הפיצ'רים המקבילים, שכן שדות ריקים מסמנים היעדר פעילות באותו תחום.
from datasets import load_dataset
ds = load_dataset("OpenOneRec/Explorer_LLM_Rec_Competition")הרישיון
המאגר פורסם ללא הגדרת רישיון כלל. מבחינה משפטית, היעדר רישיון אומר שכל הזכויות שמורות ליוצרים, ולא ניתנה הרשאה מפורשת להורדה, שימוש מסחרי, הפצה מחדש או אימון של מודלים שמיועדים למוצר פעיל. כל שימוש מעבר למחקר פנימי מוגבל חושף אתכם לסיכון משפטי ברור.