博客二：多模态电商数据集调研

一、项目数据集全景解析
在 “基于 LLM 的多模态新范式电商推荐系统” 中，我们整合了三大核心数据集，覆盖社交娱乐、图像交互和传统电商场景：

1.MicroLens 数据集（西湖大学）

包含微视频标题（文本）、封面图（图像）、音频和用户交互日志，子集 MicroLens-100K 含 10 万用户、1.9 万商品、71 万交互记录，稀疏度 99.96%。
特点：多模态数据丰富，但用户 - 商品交互高度稀疏，需重点处理冷启动商品。
2.PixelRec 数据集

以图像为中心，含 2 亿次图像交互、3000 万用户、40 万张封面图，适合验证视觉模态对推荐的影响。
3.Amazon 数据集

选取婴儿、运动、电子产品等四大类目，以商品描述（文本）和用户购买记录为主，稀疏度均超 99.8%。
数据概览表：

二、对比分析报告

1. MicroLens数据集（西湖大学）

核心特征

多模态完整性：四维数据（标题文本/封面图/音频/交互日志）形成完整用户-内容交互闭环

极端稀疏性：用户平均交互仅7.1次，99.96%用户-商品无交互记录

冷启动集中：超83%商品交互次数<10，存在典型长尾分布

优势领域

▶ 多模态融合研究：封面图美学特征（通过ResNet提取视觉特征）与音频情感特征（Mel频谱分析）的协同作用验证

▶ 冷启动解决方案测试：适合对比跨模态迁移学习（如用封面图信息补全商品表征）与传统矩阵补全方法效果

▶ 隐式反馈建模：通过用户滑动时长（0.5-6秒级）构建细粒度兴趣预测模型

应用局限

▌ 数据噪声显著：短视频封面图存在标题党现象（图文相关性仅68.3%）

▌ 行为模式单一：缺乏购买转化数据，仅适合CTR预估类研究

▌ 设备特征干扰：安卓/iOS用户交互模式存在系统性差异（需做设备校准）

2. PixelRec数据集

核心特征

视觉主导性：40万张封面图构成视觉特征库，含专业设计图占比37%

交互深度分层：包含曝光/点击/收藏/分享四级行为（权重可配置）

时空关联性：记录用户地理位置（城市级）与访问时段（精确到小时）

优势领域

▶ 视觉推荐验证：封面图色彩构成（HSV直方图分析）对点击率的影响归因

▶ 时空特征建模：构建"工作日午间→极简风格偏好"等时空-审美关联规则

▶ 图像增强技术：测试StyleTransfer等视觉优化手段对转化率的提升效果

应用局限

▌ 文本信息缺失：商品标题平均仅2.3个关键词，限制多模态研究

▌ 数据分布偏斜：头部1%商品占据63%交互量，需做下采样处理

▌ 隐私限制：用户画像维度有限（缺失年龄/性别等基础属性）

3. Amazon数据集

核心特征

文本强关联性：商品描述平均长度487词（含技术参数表格）

购买链完整性：涵盖搜索→比价→加购→购买全流程行为

类目特性分化：运动类目复购周期短（平均23天），电子类目决策成本高

优势领域

▶ 知识增强推荐：利用商品描述构建领域知识图谱（如婴儿用品安全标准关联）

▶ 长期兴趣建模：通过跨类目购买序列（运动鞋→护具）挖掘用户生活方式迁移

▶ 解释性研究：基于商品参数对比数据验证可解释推荐模型的有效性

应用局限

▌ 模态单一性：缺乏图像/视频等富媒体内容，限制多模态算法验证

▌ 数据时效性：最新数据截止2022年，存在消费习惯迁移风险

▌ 场景局限性：未覆盖直播电商等新兴交互模式

三、分析选择
考虑到数据集大小，以及对于我们后面多模态推荐模型的适配程度，我们优先选用Amazon 商品数据集，而对于这个数据集而言：

共有多个种类，其中我们参考了两篇论文：

Multi-Modal Hypergraph Enhanced LLM Learning for Recommendation

参考文章1

BBQRec: Behavior-Bind Quantization for Multi-Modal Sequential Recommendation

参考文章2

最终选择了以下四个数据集：