Recomendação de Notícias da Microsoft

Microsoft News Dataset (MIND) é um conjunto de dados em grande escala para pesquisa de recomendação de notícias. Foi recolhido a partir de registos de comportamento anónimos do site Microsoft News. A missão do MIND é funcionar como um conjunto de dados de referência para a recomendação de notícias e para facilitar a investigação na área da recomendação de notícias e de sistemas de recomendação.

O MIND contém cerca de 160 mil artigos de notícias em inglês e mais de 15 milhões de registos de impressões gerados por um milhão de utilizadores. Cada artigo de notícias contém conteúdo textual rico, incluindo título, resumo, corpo, categoria e entidades. Cada log de impressões contém os eventos de clique, eventos não clicados e comportamentos históricos de cliques em notícias desse usuário antes dessa impressão. Para proteger a privacidade dos utilizadores, cada utilizador foi desassociado do sistema de produção quando o ID foi tornado anónimo em segurança através de hash. Para obter informações mais detalhadas sobre o conjunto de dados MIND, consulte o artigo MIND: A Large-scale Dataset for News Recommendation.

Volume

Os dados de preparação e de validação são ambos uma pasta zip comprimida, que contêm quatro ficheiros diferentes:

NOME DO FICHEIRO DESCRIÇÃO
behaviors.tsv Os históricos de cliques e os registos de impressões dos utilizadores
news.tsv A informação dos artigos de notícias
entity_embedding.vec As incorporações de entidades em notícias extraídas do gráfico de conhecimentos
relation_embedding.vec As incorporações de relações entre entidades extraídas do gráfico de conhecimentos

behaviors.tsv

O arquivo behaviors.tsv contém os logs de impressões e históricos de cliques de notícias dos usuários. Tem cinco colunas divididas pelo símbolo da guia:

  • ID de Impressão. O ID de uma impressão.
  • ID de Utilizador. O ID anónimo de um utilizador.
  • Tempo. O tempo de impressão com o formato "MM/DD/AAAA HH:MM:SS AM/PM".
  • Histórico. O histórico de cliques em notícias (lista de IDs das notícias que foram clicadas) deste utilizador antes desta impressão.
  • Impressões. Lista de notícias exibidas nesta impressão e comportamentos de clique do usuário nelas (1 para clique e 0 para não clique).

Segue-se um exemplo na tabela abaixo:

COLUNA CONTEÚDO
ID de Impressão 123
ID de Utilizador U131
Hora 11/13/2019 8:36:57
Histórico N11 N21 N103
Impressões N4-1 N34-1 N156-0 N207-0 N198-0

news.tsv

O arquivo news.tsv contém as informações detalhadas de artigos de notícias envolvidos no arquivo behaviors.tsv. Tem sete colunas, que são divididas pelo símbolo da guia:

  • ID da Notícia
  • Categoria
  • Subcategoria
  • Título
  • Abstract
  • URL
  • Entidades de Título (as entidades presentes no título desta notícia)
  • Entidades de Resumo (as entidades presentes no resumo desta notícia)

Os corpos de conteúdo completo dos artigos de notícias do MSN não são disponibilizados para download, devido à estrutura de licenciamento. No entanto, para sua conveniência, disponibilizámos um script de utilitário para ajudar a analisar as páginas Web de notícias dos URLs do MSN no conjunto de dados. Devido às limitações de tempo, alguns URLs expiram e não é possível aceder aos mesmos com êxito. Estamos atualmente a trabalhar arduamente para resolver este problema.

É mostrado um exemplo na tabela seguinte:

COLUNA CONTEÚDO
ID da Notícia N37378
Categoria desporto
Subcategoria golfe
Título Vencedores do PGA Tour
Abstract Galeria dos vencedores recentes do PGA Tour.
URL https://www.msn.com/en-us/sports/golf/pga-tour-winners/ss-AAjnQjj?ocid=chopendata
Entidades do Título [{"Label": "PGA Tour", "Type": "O", "WikidataId": "Q910409", "Confidence": 1.0, "OccurrenceOffsets": [0], "SurfaceForms": ["PGA Tour"]}]
Entidades do Resumo [{"Label": "PGA Tour", "Type": "O", "WikidataId": "Q910409", "Confidence": 1.0, "OccurrenceOffsets": [35], "SurfaceForms": ["PGA Tour"]}]

As descrições das chaves do dicionário na coluna "Entidades" estão listadas da seguinte forma:

CHAVES DESCRIÇÃO
Etiqueta O nome da entidade no gráfico de conhecimento do Wikidata
Type O tipo desta entidade em Wikidata
WikidataId O ID da entidade em Wikidata
Confiança A confiança da associação de entidades
OccurrenceOffsets O desvio de entidades ao nível de carateres no texto do título ou do resumo
SurfaceForms Os nomes das entidades em bruto no texto original

entity_embedding.vec & relation_embedding.vec

Os arquivos entity_embedding.vec e relation_embedding.vec contêm as incorporações de 100 dimensões das entidades e relações aprendidas com o subgrafo (do gráfico de conhecimento WikiData) pelo método TransE. Em ambos os ficheiros, a primeira coluna é o ID da entidade/relação e as restantes são os valores do vetor de incorporação. Esperamos que estes dados possam facilitar a investigação relativa à recomendação de notícias orientadas por conhecimentos. Apresentamos um exemplo abaixo:

ID VALORES DE INCORPORAÇÃO
Q42306013 0.014516 -0.106958 0.024590 … -0.080382

Devido a algumas razões para aprender a incorporar a partir do subgráfico, algumas entidades podem não ter incorporações no arquivo entity_embedding.vec.

Localização de armazenamento

Os dados são armazenados em blobs no centro de dados Oeste/Leste dos EUA, no seguinte contêiner de blob: 'https://mind201910small.blob.core.windows.net/release/'.

Dentro do contêiner, o conjunto de treinamento e validação é compactado em MINDlarge_train.zip e MINDlarge_dev.zip, respectivamente.

Informações adicionais

A transferência do conjunto de dados MIND é gratuita para fins de investigação ao abrigo dos Termos de Licenciamento da Microsoft Research. Entre em contato mind@microsoft.com se tiver alguma dúvida sobre o conjunto de dados.

Acesso a dados

Azure Notebooks

Bloco de notas de demonstração para aceder a dados MIND no Azure

Este bloco de anotações fornece um exemplo de acesso a dados MIND do armazenamento de blob no Azure.

Os dados MIND são armazenados no centro de dados Oeste/Leste dos EUA, pelo que este bloco de notas será executado de forma mais eficiente na computação do Azure localizada no Oeste/Leste dos EUA.

Importações e ambiente

import os
import tempfile
import shutil
import urllib
import zipfile
import pandas as pd

# Temporary folder for data we need during execution of this notebook (we'll clean up
# at the end, we promise)
temp_dir = os.path.join(tempfile.gettempdir(), 'mind')
os.makedirs(temp_dir, exist_ok=True)

# The dataset is split into training and validation set, each with a large and small version.
# The format of the four files are the same.
# For demonstration purpose, we will use small version validation set only.
base_url = 'https://mind201910small.blob.core.windows.net/release'
training_small_url = f'{base_url}/MINDsmall_train.zip'
validation_small_url = f'{base_url}/MINDsmall_dev.zip'
training_large_url = f'{base_url}/MINDlarge_train.zip'
validation_large_url = f'{base_url}/MINDlarge_dev.zip'

Funções

def download_url(url,
                 destination_filename=None,
                 progress_updater=None,
                 force_download=False,
                 verbose=True):
    """
    Download a URL to a temporary file
    """
    if not verbose:
        progress_updater = None
    # This is not intended to guarantee uniqueness, we just know it happens to guarantee
    # uniqueness for this application.
    if destination_filename is None:
        url_as_filename = url.replace('://', '_').replace('/', '_')
        destination_filename = \
            os.path.join(temp_dir,url_as_filename)
    if (not force_download) and (os.path.isfile(destination_filename)):
        if verbose:
            print('Bypassing download of already-downloaded file {}'.format(
                os.path.basename(url)))
        return destination_filename
    if verbose:
        print('Downloading file {} to {}'.format(os.path.basename(url),
                                                 destination_filename),
              end='')
    urllib.request.urlretrieve(url, destination_filename, progress_updater)
    assert (os.path.isfile(destination_filename))
    nBytes = os.path.getsize(destination_filename)
    if verbose:
        print('...done, {} bytes.'.format(nBytes))
    return destination_filename

Baixe e extraia os arquivos

# For demonstration purpose, we will use small version validation set only.
# This file is about 30MB.
zip_path = download_url(validation_small_url, verbose=True)
with zipfile.ZipFile(zip_path, 'r') as zip_ref:
    zip_ref.extractall(temp_dir)

os.listdir(temp_dir)

Leia os arquivos com pandas

# The behaviors.tsv file contains the impression logs and users' news click histories. 
# It has 5 columns divided by the tab symbol:
# - Impression ID. The ID of an impression.
# - User ID. The anonymous ID of a user.
# - Time. The impression time with format "MM/DD/YYYY HH:MM:SS AM/PM".
# - History. The news click history (ID list of clicked news) of this user before this impression.
# - Impressions. List of news displayed in this impression and user's click behaviors on them (1 for click and 0 for non-click).
behaviors_path = os.path.join(temp_dir, 'behaviors.tsv')
pd.read_table(
    behaviors_path,
    header=None,
    names=['impression_id', 'user_id', 'time', 'history', 'impressions'])
# The news.tsv file contains the detailed information of news articles involved in the behaviors.tsv file.
# It has 7 columns, which are divided by the tab symbol:
# - News ID
# - Category
# - Subcategory
# - Title
# - Abstract
# - URL
# - Title Entities (entities contained in the title of this news)
# - Abstract Entities (entities contained in the abstract of this news)
news_path = os.path.join(temp_dir, 'news.tsv')
pd.read_table(news_path,
              header=None,
              names=[
                  'id', 'category', 'subcategory', 'title', 'abstract', 'url',
                  'title_entities', 'abstract_entities'
              ])
# The entity_embedding.vec file contains the 100-dimensional embeddings
# of the entities learned from the subgraph by TransE method.
# The first column is the ID of entity, and the other columns are the embedding vector values.
entity_embedding_path = os.path.join(temp_dir, 'entity_embedding.vec')
entity_embedding = pd.read_table(entity_embedding_path, header=None)
entity_embedding['vector'] = entity_embedding.iloc[:, 1:101].values.tolist()
entity_embedding = entity_embedding[[0,
                                     'vector']].rename(columns={0: "entity"})
entity_embedding
# The relation_embedding.vec file contains the 100-dimensional embeddings
# of the relations learned from the subgraph by TransE method.
# The first column is the ID of relation, and the other columns are the embedding vector values.
relation_embedding_path = os.path.join(temp_dir, 'relation_embedding.vec')
relation_embedding = pd.read_table(relation_embedding_path, header=None)
relation_embedding['vector'] = relation_embedding.iloc[:,
                                                       1:101].values.tolist()
relation_embedding = relation_embedding[[0, 'vector'
                                         ]].rename(columns={0: "relation"})
relation_embedding

Limpar ficheiros temporários

shutil.rmtree(temp_dir)

Exemplos

Consulte os seguintes exemplos de como usar o conjunto de dados Microsoft News Recommender:

Próximos passos

Confira vários modelos de recomendação de notícias de linha de base desenvolvidos no MIND a partir do Microsoft Recommenders Repository

Exiba o restante dos conjuntos de dados no catálogo Open Datasets.