14万电影800万影评数据集介绍

数据集概况

本数据集采集于豆瓣电影，电影与明星数据收集于2019年8月上旬，影评数据(用户、评分、评论)收集于2019年9月初，共945万数据，其中包含14万部电影，7万演员，63万用户，416万条电影评分，442万条影评，该数据集正好弥补下国内公开电影​数据集的空缺。数据已经过初步清洗，可用于推荐系统、情感分析、QA问答、知识图谱等多个领域。

数据集共有5个文件: movies.csv、person.csv、users.csv、comments.csv、ratings.csv，关于各个文件的具体内容将在下文介绍。

使用许可

该数据集只为方便各位研究人员，如涉及侵犯个人或团体利益，请与我们联系，我们将主动撤销一切相关数据，谢谢！

数据使用需遵循豆瓣使用协议 & 豆瓣隐私政策,

该数据集仅限用于研究目的，我们不能保证数据的正确性以及任何场景的适用性。对于使用这份数据的用户，必须严格遵循下列条件:

在任何情况下，我们均不对因使用这些数据而造成的任何损失承担责任（包括但不限于数据丢失或数据不准确）。如果您有任何其他问题或意见，请发送电子邮件至: [email protected]

数据格式

Movie数据格式

电影数据共140502部，2019年之前的电影有139129，当前未上映的有1373部，包含21个字段，部分字段数据为空，字段说明如下:

Person数据格式

Person文件只包括演员和导演，不包含豆瓣用户数据，共72959个名人数据，包含10个字段，每个PERSON_ID都会对应一个name，不存在PERSON_ID的数据已过滤，各个字段说明如下:

User数据格式

users.csv数据为豆瓣用户的脱敏信息，主要是与评论和评分绑定在一起，共获取了639125用户数据，包含2个字段（已删除两个），具体的字段如下：

Rating数据格式

评分数据从评论数据中获得，由于豆瓣限制了未登录用户查看的数据量，所以每部电影最多320个评分，最终得到600384个用户的4169420条评分数据，涉及电影68471部，评分值为1-5分（1-很差，2-较差，3-还行，4-推荐，5-力荐），共包含5个字段，数据格式如下：

评论数据共4428475 条，用户638963个，电影68887包含7个字段，各个字段说明如下:

下载地址

样例数据每个文件1000条数据，下载地址：moviedata_small.tar.gz。完整的数据集有1G+，需要的用户可以点击后面的链接进行下载：moviedata-10m.tar.gz，密码获取方式如下(不定期更换):

数据采集不易，为了初步了解多少人使用该数据，还请各位使用人员不要进行二次转发！”授人以鱼不如授人以渔”，
如果您对爬虫技术感兴趣，可前往Github参考笔者的AntSpider项目源码。如果数据对您有用，可关注下公众号斗码小院，里面有数据收集、数据处理、数据建模等多篇文章，您的关注就是对我们最好的支持，另外，还可以在下方的Github的Star中点击一下。

相关数据集推荐

之前也有用户公开过豆瓣电影数据，这里提供下链接给大家参考下，同时提供一下movielens电影数据集的下载地址：

Contributor