发帖
雷达卡
Amazon Reviews 2023 是 UCSD 的 McAuley Lab 发布的大规模电商评论集，论文是 arXiv 2403.03952《Bridging Language and Items for Retrieval and Recommendation》。规模是 5.7154 亿条评论、5,451 万用户、4,819 万商品、33 个类目，时间从 1996 年 5 月到 2023 年 9 月，全量文件合计约 750 GB。
与 2018 版相比，评论数增长 245.2%，商品数从 1,517 万涨到 4,819 万。这个量级已经不是"下载下来看看"的规模，用之前必须先想清楚要哪一类。
文件是按类目切的，不是一个大表
每个类目两个压缩文件：review_categories/{Category}.jsonl.gz 放评论，meta_categories/meta_{Category}.jsonl.gz 放商品元数据，托管在 UCSD 的数据仓，不在 HuggingFace 本体上。
在 HuggingFace 上对应两组 config：raw_review_All_Beauty 这种（评论）、raw_meta_All_Beauty（元数据）。因为仓库带 loading script，浏览器的 Dataset Viewer 被禁用，必须用 datasets 库加 trust_remote_code=True 加载，官方也建议先转 Parquet。
只想要一小份试手，用 All_Beauty：63.2 万用户、11.26 万商品、70.15 万条评分，是全库最小的类目。
类目规模差得很远
评论数最多的几类：Home_and_Kitchen 6,740 万条（2,320 万用户、370 万商品）、Clothing_Shoes_and_Jewelry 6,600 万、Electronics 4,390 万、Books 2,950 万、Tools_and_Home_Improvement 2,700 万、Health_and_Household 2,560 万、Beauty_and_Personal_Care 2,390 万。
还有一个容易被忽略的 "Unknown" 类：6,380 万条评分、2,310 万用户、1,320 万商品。它不是一个小尾巴，而是第四大"类目"。做领域划分时如果不显式处理 Unknown，样本结构与真实分布会对不上。
两类字段
评论侧：rating（1—
5）、title、text、images（用户上传图，多尺寸 URL）、asin、parent_asin、user_id、timestamp（Unix 毫秒）、verified_purchase、helpful_vote。
元数据侧：main_category、title、average_rating、rating_number、features（要点列表）、description、price、images（thumb／large／hi_res，带 variant）、videos、store、categories（层级）、details（材质品牌尺寸等，实际是 JSON 字符串）、parent_asin、bought_together。
四个必须知道的坑
第一，asin 与 parent_asin 不是一回事。旧版数据集文档里的 "asin" 实际是 parent ID；2023 版里 asin 是具体变体（某个颜色或尺寸），parent_asin 才是商品系列。跨评论表与元数据表关联，必须用 parent_asin，用 asin 会大量匹配不上。
第二，商品计数是基于"评论中出现过的商品"，不是元数据文件里的商品；卡片明确写了部分商品缺元数据。所以"4,819 万商品"不等于有 4,819 万条元数据。
第三，字段脏点不少。price 可能是字符串 'None'（抓取时没抓到价格）；images 的 hi_res 列表里可能出现 None；details 是 JSON 字符串，要自己 json.loads。
第四，没有许可证声明。卡片全文没有 License，只有平台通用条款。这意味着商用或再分发之前必须自行向作者确认——这一点比技术细节更重要。
时间戳与划分
时间跨度 1996.05—2023.09，卡片称时间戳精确到秒级或更细，示例里是毫秒（1588687728923）。实际数据可能混用精度，做时间对齐前先抽样校验量级：10 位是秒，13 位是毫秒。
卡片说提供了标准数据划分便于 RecSys 基准，但具体策略（时间切分还是 leave-one-out）写在项目站 amazon-reviews-2023.github.io 的 Common Data Processing 一节，不在卡片里。
适合谁、怎么下手
适合：推荐系统与检索研究（原文就是做 item 检索的）、评论情感与有用性预测、跨类目用户行为分析、LLM 时代的商品理解任务。
不适合：想直接拿一份 CSV 做小分析的人——750 GB 且按类目切开，得先选类目；也不适合需要明确商用授权的人，因为没有 License。
上手路径建议：先拉 All_Beauty 的 review 与 meta 两个文件（几百 MB 级），跑通关联与字段解析；再换成 Electronics 或 Books 这类中等规模的类目；最后才考虑全量。
────────────────
数据集页、UCSD 数据仓路径、论文与项目站入口都在下面，回复一下就能看到。
把经管之家装进你常用的 AI 智能体中 一键快捷安装经管之家 MCP／技能，让 AI 帮你查教程、找数据、读论坛帖子。 检索、阅读公开帖子不收费，安装可申请领取：3 通用积分＋100 论坛币＋3 元论坛资金 说明： AI 算力按所用平台规则计算；附件按原帖条件获取；福利领取条件以活动页面为准。 |
京公网安备 11010802022788号
