# 🧩 Summary
从严格意义上说，它是一个 **“开放数据集（Open Dataset）”，不是一个完整的软件开源项目**。
不过，它确实是开放、可自由使用的研究资源，并且源自一个长期维护的开源科研项目体系——**GroupLens Project**。
由 [[GroupLens]] 研究组长期维护，用于学术研究与教学。
# 💡 Cues
[[推荐算法]]
# Notes
非常好的问题 👍
你问的“**MovieLens 是啥**”，其实是一个非常经典的「**推荐系统基准数据集（Recommendation Benchmark Dataset）**」的变体。
它常被用来**验证推荐算法效果**、**构建强基线模型**，几乎是所有推荐系统入门者的“Hello World”。
---
## 🧩 一、这是哪类经典问题的变体？
> **MovieLens** 属于「**推荐系统实验与基准测试（Recommender System Benchmarking）**」问题的变体。
换句话说，它提供了一组**干净、真实、结构良好的“用户–物品–评分”数据**，
让你可以专注于算法，而不用自己采集数据。
---
## 🎬 二、基本信息
|项目|内容|
|---|---|
|**名称**|MovieLens Dataset|
|**维护者**|美国明尼苏达大学 GroupLens 研究组|
|**数据内容**|用户、电影、评分、时间戳|
|**任务类型**|协同过滤（Collaborative Filtering）、排序推荐、特征建模|
|**网址**|[https://grouplens.org/datasets/movielens/](https://grouplens.org/datasets/movielens/)|
---
## 📦 三、数据结构示例
|userId|movieId|rating|timestamp|
|---|---|---|---|
|1|31|2.5|1260759144|
|1|1029|3.0|1260759179|
|2|10|4.5|1260759182|
对应的电影信息文件通常叫 `movies.csv`：
|movieId|title|genres|
|---|---|---|
|31|Dangerous Minds (1995)|Drama|
|1029|Dumbo (1941)|Animation, Children, Musical|
---
## 🧮 四、常见版本（数据规模）
|版本|用户数|电影数|评分数|文件大小|
|---|---|---|---|---|
|**ml-latest-small**|610|9,000+|100,000+|1 MB|
|**ml-1m**|6,000|4,000|1,000,000|6 MB|
|**ml-10m**|70,000|10,000|10,000,000|60 MB|
|**ml-25m**|160,000|60,000|25,000,000|250 MB|
> 一般入门实验（比如“GBDT + 10个特征”）常用 **ml-latest-small** 或 **ml-1m**。
---
## ⚙️ 五、你那句话的意思
>「MovieLens：GBDT 基线 + 10 个高质量特征；AUC > 0.80」
这是一个**推荐系统入门实验任务**，解释如下：
|元素|含义|
|---|---|
|**MovieLens**|使用 MovieLens 数据集（电影评分数据）|
|**GBDT 基线**|用梯度提升树（如 LightGBM/XGBoost）作为推荐模型|
|**10 个高质量特征**|构造 10 个与推荐强相关的输入特征（例如：平均评分、最近评分时间、用户活跃度等）|
|**AUC > 0.80**|模型在测试集上达到 AUC（ROC 曲线下面积）超过 0.8，代表预测性能良好|
这是一个**强基线级别的小型推荐实验**，非常适合：
- 练习特征工程；
- 熟悉 GBDT；
- 了解推荐系统的核心评价指标。
---
## 🎯 六、MovieLens 的典型应用方向
|目标|可做的实验|
|---|---|
|**协同过滤**|用矩阵分解（SVD / ALS）预测用户评分|
|**排序推荐**|用 GBDT / DNN 模型预测“是否喜欢”|
|**特征工程**|构造时间、类型、用户画像等特征|
|**冷启动研究**|处理新用户或新电影无数据的问题|
|**多模态推荐**|加入电影简介、海报、演员特征等信息|
---
## ✅ 小结一句话
> **MovieLens** 是一个用于推荐算法研究的经典开源数据集，
> 它提供了用户对电影的评分记录，是构建和验证推荐模型（如 GBDT、DNN、CF）的**标准实验平台**。
---
是否希望我帮你示范一下：
在 MovieLens 数据上如何构造 “GBDT + 10个高质量特征” 的入门实验？（我可以帮你写出整个特征设计思路 + 伪代码框架。）