Food.com 这个数据集里,"食谱名称"这一列存的不是文字,是数字。PP_recipes.csv 的 name_tokens 长这样:[40480, 37229, 2911, 1019, 249, 6878, 2839, 1781, 40481]——BPE 分词后的 token 编号,40480 与 40481 是起止符。想看食谱叫什么,得回到 RAW_recipes.csv。
这是用它做分析时第一个会卡住的地方:同一个数据集里,原始文本与预处理张量是两套东西,混用就出错。
数据集来自 Food.com(原 GeniusKitchen)食谱聚合站的抓取,随 Majumder、Li、Ni、McAuley 的 EMNLP 2019 论文《Generating Personalized Recipes from Historical User Preferences》公开。页面标注的规模是 18 万条以上食谱、70 万条以上用户互动,覆盖 18 年的上传与评论记录,第 2 版整包 892.41 MB,八个文件。
八个文件分两类
原始表(给人看的)
RAW_recipes.csv:每条食谱一行,含名称、步骤、食材、营养、分钟数、提交时间等原始文本字段。
RAW_interactions.csv:每条评论一行,含用户、食谱、日期、评分、评论文本。
ingr_map.pkl:食材名称到编号的映射字典,pickle 格式,不是 CSV。
预处理表(给模型用的)
PP_recipes.csv:约 17.8 万行、8 列,把食谱转成了 token 编号与多热向量。
PP_users.csv:每个用户一行,含其互动过的食谱序列与编码表示。
interactions_train.csv / validation.csv / test.csv:按用户切分的互动数据,供推荐模型做训练与评测。
两类文件行数并不相等:PP_recipes 约 17.8 万行,页面标注食谱总量 18 万条以上,差额来自预处理阶段的过滤(缺食材或缺步骤的食谱会被剔除)。做"食谱总数"统计时用哪张表,答案会差几千条。
PP_recipes 的八列分别是什么
id 食谱编号;i 映射成从 0 开始的连续整数(论文代码的索引);name_tokens 名称的 BPE token 序列;ingredient_tokens 食材列表的 token 序列(列表的列表,每个食材一串);steps_tokens 步骤的 token 序列;techniques 烹饪技法的 58 维 0/1 多热向量;calorie_level 热量等级(离散成 0、1、2 三级);ingredient_ids 食材编号列表,对应 ingr_map.pkl 里的词表。
四个 token 列都是编号,不是文字。想还原文字需要 BPE 词表,而词表不在这个数据集里——它来自论文代码所用的 GPT 分词器。没有那份词表,这四列只能当离散 ID 用。
四个必须先弄清的口径
预处理词元不等于原文。 PP_recipes 的 steps_tokens 是分词后的编号序列,标点、大小写、空格都已被处理掉;想统计"平均步骤字数"这类指标,必须回 RAW_recipes 的 steps 原文算。
ingr_map.pkl 不是表格。 它是 pickle 序列化的字典,Excel 打不开、CSV 读不了,要先在 Python 里反序列化再转表。食材名称到编号的映射只在这里。
三份 interactions 切分是按用户切的,不是按时间切的。 训练、验证、测试三份合起来才等于 RAW_interactions 的全体;单独用 test 那份做"平台整体互动量"统计会严重偏低。做时序分析要回 RAW_interactions 的 date 列。
18 年是跨度,不是逐年序列。 页面只给了总跨度,没有按年汇总;想画互动量的年度曲线,得自己按 RAW_interactions 的日期分组,并注意早期年份的记录密度远低于后期。
适合做什么、不适合做什么
适合:食谱推荐与个性化生成(论文原始任务);用户口味偏好与食材组合分析;评分与评论文本的联合建模;烹饪技法与热量等级的分类实验;冷启动与新食谱生成。
不适合:需要食谱图片的任务(没有图);需要精确营养计算的任务(nutrition 字段是一串按固定顺序排列的数值,需按官方字段说明对位,不能直接当列名读);需要中文食谱的任务(全英文,且以美式食材为主);需要实时或近期数据的任务(页面标注不再更新)。
拿到它的条件
Kaggle 页面免费下载,通常需登录账户;第 2 版整包 892.41 MB,其中 PP_recipes.csv 一个就占 204.91 MB。数据文件版权标注为"归原作者所有",页面未给出开源许可名称,因此转载或再分发原始文件前必须自行确认授权,本文只做介绍与字段说明、不提供任何数据文件。
以上是免费部分。PP_recipes 八列的取值细节、两类文件的对应关系、以及下载入口放在下面论坛币区。
────────────────
想看八列字段细节和下载入口,回帖留下邮箱,我按顺序发给你。
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







