Yandex ha anunciado Yambda, un nuevo conjunto de datos que incluye cerca de 5 mil millones de interacciones de usuarios anonimizadas en su plataforma de streaming de música, Yandex Music. Este conjunto de datos destaca por ser uno de los datos de actividad de código abierto más grandes del mundo en el campo de los sistemas de recomendación.
Yambda contiene interacciones recopiladas durante 10 meses, tales como escuchas, "me gusta" y "no me gusta". Los datos se presentan junto con marcas de tiempo, incrustaciones de audio e información de descubrimiento orgánico, lo que permite probar los algoritmos de recomendación en condiciones del mundo real. Los detalles sobre 1 millón de usuarios anonimizados y 9,3 millones de pistas musicales ofrecen un recurso crítico para quienes desarrollan modelos de recomendación, especialmente en áreas como el comercio electrónico, las redes sociales y las plataformas de videos cortos.
Yandex ha puesto Yambda a disposición a través de Hugging Face en tres tamaños diferentes (50M, 500M y 5B de eventos). El conjunto de datos se presenta en formato Apache Parquet y es compatible con sistemas como Spark, Hadoop y Pandas.
Nikolai Savushkin, jefe de Sistemas de Recomendación de Yandex, señala que Yambda reúne tanto a la academia como a la industria y que acelerará la innovación en los sistemas de recomendación.
Fuente de la noticia: 12punto
