280 1

[公开数据] UCSD Book Graph:Goodreads图书、书架互动与书评数据(236万书 2.29亿互动) [推广有奖]

  • 0关注
  • 0粉丝

等待验证会员

学前班

0%

还不是VIP/贵宾

-

威望
0 级
论坛币
0 个
通用积分
0
学术水平
0 点
热心指数
0 点
信用等级
0 点
经验
10 点
帖子
0
精华
0
在线时间
0 小时
注册时间
2026-11-9
最后登录
2026-11-9

楼主
私募证券69876 发表于 2026-11-9 17:39:38 |AI写论文

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币

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 & Paranormal258,58555,397,5503,424,641
Romance335,44942,792,8563,565,378
Young Adult93,39834,919,2542,389,900
History & Biography302,93531,479,2292,066,193
Mystery, Thriller & Crime219,23524,799,8961,849,236
Children124,08210,059,349734,640
Comics & Graphic89,4117,347,630542,338
Poetry36,5142,734,350154,555

 

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。


游客,如果您要查看本帖隐藏内容请回复

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

请点击查看安装教程与福利 →

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。

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝


沙发
定理21827 发表于 2026-11-9 19:22:09
先收藏,回头慢慢看

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
扫码
拉您进交流群
GMT+8, 2026-11-19 01:42