专栏名称: 老刘说NLP

老刘，NLP开源爱好者与践行者。主页：https://liuhuanyong.github.io。老刘说NLP，将定期发布语言资源、工程实践、技术总结等内容，欢迎关注。

48个流行开源ML数据集及KG三元组抽取工具AI Knowledge Graph

老刘说NLP · 公众号 · 程序员 · 2025-06-03 20:55

正文

：引发了视觉领域深度学习热潮的数据集。

PASCAL VOC ：包含检测、分割和分类任务。

Open Images ：900万张带有边界框和标签的图像。

KITTI ：包含立体视觉、激光雷达和检测任务的自动驾驶汽车数据集。

COCO ：丰富的物体分割和描述数据集。

Cityscapes ：城市场景的像素级分割。

MNIST ：经典的 handwritten digits 数据集。

CIFAR-10和CIFAR-100 ：小型图像分类数据集。

3、推荐系统数据集

Yambda-5B（Yandex） ：包含47.9亿多模态交互，具有音频嵌入和自然与推荐标志。该数据集使用全局时间分割进行评估，与留一法不同，不会破坏时间依赖性。这模拟了现实的模型测试。
MovieLens ：不同规模（10万至2500万）的评分和标签。
Netflix Prize ：来自Netflix公开竞赛的标志性1亿评分数据集。
Yelp数据集 ：包含元数据和社交网络特征的本地企业评论。
Last.fm（LFM-1B） ：10亿次音乐收听事件，带有时间戳和曲目元数据。
Criteo 1TB ：用于广告的大量点击数据集。
Spotify百万播放列表 ：用户生成的音乐播放列表，用于序列化推荐。
Amazon Reviews ：2亿多条跨多年和多个领域的商品评论。