Retailrocket推荐系统数据集
电子商务数据：网络事件，项目属性（带有文本），类别树
数据集由三个文件组成：一个具有行为数据的文件（events.csv），一个具有项目属性的文件（itemproperties.сsv ）和一个描述类别树的文件（categorytree.сsv）。数据是从真实世界的电子商务网站收集的。它是原始数据，即没有任何内容转换，但是，由于机密问题，所有值都被哈希化。发布的目的是激发具有隐式反馈的推荐系统领域的研究。
内容
行为数据，例如点击，添加到购物车，交易等事件，代表了在4.5个月内收集的互动。访客可以进行三种类型的事件，即“查看”，“添加购物车”或“交易”。总共有2 756 101个事件，包括2 664 312次浏览，69 332个添加到购物车以及1 407 580个唯一访问者产生了22 457笔交易。对于大约90％的事件，可以在“ item_properties.csv”文件中找到相应的属性。
例如：
- “ 1439694000000,1，view，100，”表示visitorId = 1，在1439694000000（Unix时间戳）上，单击了id = 100的项目
- “ 1439694000000,2，transaction，1000,234”表示visitorId = 2在1439694000000（Unix时间戳记）以id = 234的交易购买了id = 1000的商品
具有项目属性（item_properties.csv）的文件包括20 275 902行，即不同的属性，描述了417 053个唯一项目。由于文件大小的限制，文件分为2个文件。由于项目的属性可以随时间变化（例如，价格随时间而变化），因此文件中的每一行都有相应的时间戳。换句话说，该文件由文件中每个星期的串联快照以及行为数据组成。但是，如果项目的属性在观察期间内保持不变，则文件中将仅存在一个快照值。
例如，我们为单个项目和三个每周快照提供三个属性，如下所示：
timestamp,itemid,property,value
1439694000000,1,100,1000
1439695000000,1,100,1000
1439696000000,1,100,1000
1439697000000,1,100,1000
1439694000000,1,200,1000
1439695000000,1,200,1100
1439696000000,1,200,1200
1439697000000,1,200,1300
1439694000000,1,300,1000
1439695000000,1,300,1000
1439696000000,1,300,1100
1439697000000,1,300,1100
快照合并后，它看起来像：
1439694000000,1,100,1000
1439694000000,1,200,1000
1439695000000,1,200,1100
1439696000000,1,200,1200
1439697000000,1,200,1300
1439694000000,1,300,1000
1439696000000,1,300,1100
由于property = 100随时间是恒定的，因此对于所有快照，property = 200具有不同的值，因此property = 300已更改一次。
项目属性文件包含时间戳列，因为它们都与时间相关，因为属性可能随时间而变化，例如价格，类别等。最初，此文件由事件文件中每周的快照组成，并且包含2亿多行。我们合并了连续的常量属性值，因此将其从快照形式更改为更改日志形式。因此，常数值在文件中只会出现一次。此操作将行数大大减少了10倍。
除“ categoryid”和“ available”属性外，“ item_properties.csv”文件中的所有值均进行了哈希处理。“ categoryid”属性的值包含项目类别标识符。“ available”属性的值包含该项目的可用性，即1表示该项目可用，否则为0。所有数字值的开头均标有“ n”字符，并在小数点后具有3位精度，例如，“ 5”将变为“ n5.000”，“-3.67584”将变为“ n-3.675”。文本值中的所有单词均经过规范化（词干过程：https：//en.wikipedia.org/wiki/Stemming）并进行哈希处理，数字的处理如上所述，例如，文本“ Hello world 2017！”。将变为“ 24214 44214 n2017.000”
类别树文件有1669行。文件中的每一行都指定一个子类别ID和相应的父类别。
例如：
- “ 100,200”行表示categoryid = 1的父级为categoryid = 200
- “ 300”行表示类别ID在树中没有父项
