UCSD Book Graph 是图书推荐研究里被引用最多的公开数据集之一:236 万本书、87.6 万个用户、2.29 亿次「用户—图书」互动、1,570 万条书评。数据采自 Goodreads,2017 年底抓取,2019 年 5 月修过一次重复与错配。
但先说最要紧的一条:发布方在首页写明这套数据仅供学术用途,不得转发,不得商用。这意味着它能用来做研究和练手,不能打包成「数据集资源」二次分发——网上很多打着「Goodreads 数据集」旗号的转载包,来源就在这里,做法本身不合规。
三组数据,靠三个 ID 对得上
| 组 | 内容 | 规模 |
| 图书元数据 | 书名、作者、ISBN、页数、出版社、评分分布、热门书架标签等 | 236.07 万本 |
| 用户—图书互动 | 用户把某本书放进了哪个公开书架、有没有打分 | 2.29 亿条 |
| 书评正文 | 评论文本、星级、点赞数、含剧透标记 | 1,570 万条 |
三组靠 book_id、user_id、review_id 三列对上:图书表用 book_id,互动表用 user_id+book_id,书评表用 review_id 加 user_id、book_id。用户 ID 与评论 ID 都做过匿名化,抓取范围只限公开书架,也就是不登录也能看到的内容。
总量:236 万本书背后是 152 万部作品
| 项目 | 数量 |
| 图书(books) | 2,360,655 |
| 作品(works) | 1,521,962 |
| 丛书(book series) | 400,390 |
| 作者(authors) | 829,529 |
| 用户(users) | 876,145 |
| 用户—图书互动 | 229,154,523 |
| 其中:读过(read) | 112,310,716 |
| 其中:打分(rating) | 104,713,520 |
| 书评正文 | 约 1,570 万条 |
图书与作品是两个层级:一部作品可以有多个版本(精装、平装、再版、不同语种),平均下来每 100 本书只对应 64.5 部作品。做去重时如果用 book_id 当作品,同一本书的多个版本会被算成不同的书,这一点在做「有多少本书」这类统计时影响很大。
作者数 82.95 万,平均每位作者 2.85 本书——长尾非常长,绝大多数作者只有一两本。
互动里一半是「读过」,四成半是打分
2.29 亿条互动中,读过 1.123 亿条(49.0%)、打分 1.047 亿条(45.7%),剩下约 5% 是「想读」等其他书架状态。也就是说这套数据回答的不只是「谁给了几分」,还包括「谁读过但没打分」。
2019 年 5 月的修订前后有两组数:修订前 228,648,342 条(读过 112,131,203、打分 104,551,549),修订后 229,154,523 条(读过 112,310,716、打分 104,713,520)。修订去掉的是重复与错配,条数反而略增,说明同时也补了一批。引用总量时务必写清用的是哪一版。
八个题材子集,覆盖九成互动
完整互动文件约 4.1 GB,发布方自己也不建议直接上手,按题材切了八份子集:
| 题材子集 | 图书 | 互动 | 书评 |
| Fantasy & Paranormal | 258,585 | 55,397,550 | 3,424,641 |
| Romance | 335,449 | 42,792,856 | 3,565,378 |
| Young Adult | 93,398 | 34,919,254 | 2,389,900 |
| History & Biography | 302,935 | 31,479,229 | 2,066,193 |
| Mystery, Thriller & Crime | 219,235 | 24,799,896 | 1,849,236 |
| Children | 124,082 | 10,059,349 | 734,640 |
| Comics & Graphic | 89,411 | 7,347,630 | 542,338 |
| Poetry | 36,514 | 2,734,350 | 154,555 |
八份子集加起来 1,459,609 本书、2.095 亿条互动、1,472.7 万条书评,分别相当于全量的 61.8%、91.4%、93.8%。书只覆盖六成、互动却覆盖九成——说明被切出去的那 90 万本书是极冷门的,热门书基本都在子集里。
子集之间会重叠:一本科幻言情可能同时落在 Fantasy 和 Romance 里,所以八份相加不等于全量,不能直接当八个互斥品类用。
平均每个用户 261 次互动,每本书 97 次
用总量相除:229,154,523 ÷ 876,145 ≈ 261.5 次互动/用户;229,154,523 ÷ 2,360,655 ≈ 97.1 次/本;1,570 万条书评 ÷ 876,145 ≈ 17.9 条/用户。
这三个数都是平均值,实际分布极不均匀——少数重度用户贡献了大量互动,多数书只有个位数互动。做推荐模型时如果按平均值理解数据密度,会严重高估冷门书的可用信号量。
文件有多大,先想清楚再下
完整图书元数据、互动、书评是分开的压缩包:互动 CSV 约 4.1 GB,书评压缩包约 5 GB,图书元数据与作者、作品、丛书、题材映射各一个 gz 文件。解压后文本会更大,互动表按 2.29 亿行算,普通笔记本上做全量 pandas 读取会直接吃满内存。
发布方给了几个 Jupyter notebook 示例:一个演示不带界面下载,一个展示样例记录,一个算基础统计,还有两个分别探查互动分布与书评数据。它们的作用是让你先在小样本上把字段认清,再决定要不要下全量。
能不能转发,页面上写得很清楚
发布方的原话是:We collected these datasets for academic use only. Please do not redistribute them or use for commercial purposes.(我们采集这些数据集仅供学术用途,请勿转发,请勿用于商业目的。)
所以能做的:下载自用、做研究、写论文、在论文里报告统计结果、引用样例记录作说明。不能做的:把压缩包或解压后的文件重新打包上传到网盘/公众号/论坛附件,拿它做商业产品或对外收费服务。介绍它的结构、规模、字段与使用条件,属于正常引用;把文件本身再分发,就越线了。
引用它要引两篇论文
这套数据对应两项工作:RecSys 2018 的《Item Recommendation on Monotonic Behavior Chains》(把「想读—在读—读过」看作一条行为链做推荐),和 ACL 2019 的《Fine-Grained Spoiler Detection from Large-Scale Review Corpora》(用 138 万条带剧透标记的书评做细粒度剧透识别)。书评子集里那份「带解析剧透标签」的 138 万条,就是为后一篇准备的。
────────────────
字段逐项清单、八份题材子集的完整数字、许可原文与逐句解释、文件与地址清单、2019 年修订前后的对照、以及四个常见误用的说明,都放在下面的回帖里,回复可见。
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。 |


雷达卡


京公网安备 11010802022788号







