Madnesss/amazon-beauty-star-schema

Amazon Reviews 2023 — Beauty & Personal Care (Star Schema)

Stage 1 of 2. โครงสร้าง star schema ที่ทำจาก McAuley-Lab/Amazon-Reviews-2023 เฉพาะหมวดใหญ่ Beauty & Personal Care (3 หมวดย่อย)

ขั้นนี้ทำแค่ จัดโครงสร้าง — ยังไม่ทำความสะอาดข้อความ ไม่ทำ feature engineering ถ้าต้องการชุดที่พร้อมเทรนโมเดล ดู stage 2: Madnesss/amazon-beauty-analytics-ready

ไฟล์ในชุดนี้

ไฟล์	จำนวนแถว	Grain
fact_review/	3,658,936	1 แถว = 1 รีวิว (ไม่มีข้อความ)
review_text/	3,658,936	ข้อความรีวิว ดิบ (ยังมี HTML ปน)
dim_product.parquet	998,991	1 แถว = 1 สินค้า (parent_asin)
dim_user.parquet	2,916,620	1 แถว = 1 คนรีวิว
dim_date.parquet	8,350	1 แถว = 1 วัน

fact_review/ และ review_text/ แบ่ง partition ตามหมวด (category=<name>/) อ่านทีละหมวดได้โดยไม่ต้องสแกนทั้งชุด

หมวดย่อย

หมวด	รีวิว	สินค้า	ผู้รีวิว	คะแนนเฉลี่ย	ซื้อจริง	ช่วงเวลา
Amazon_Fashion	2,475,694	825,869	2,035,490	3.97	94%	2002-05-07 → 2023-09-11
All_Beauty	694,252	112,565	631,986	3.96	90%	2000-11-01 → 2023-09-09
Health_and_Personal_Care	488,990	60,274	461,656	4.0	90%	2001-02-05 → 2023-09-11

เริ่มใช้งาน

import pandas as pd

fact = pd.read_parquet("hf://datasets/Madnesss/amazon-beauty-star-schema/fact_review")
products = pd.read_parquet("hf://datasets/Madnesss/amazon-beauty-star-schema/dim_product.parquet")

fact.merge(products, on="product_key").groupby("price_band")["rating"].mean()

อ่านเฉพาะหมวดเดียว:

pd.read_parquet("hf://datasets/Madnesss/amazon-beauty-star-schema/fact_review",
                filters=[("category", "=", "All_Beauty")])

Schema

fact_review — grain: 1 รีวิว

คอลัมน์	ชนิด	หมายเหตุ
review_id	string	md5 ของ (user_id, asin, timestamp)
date_key	int32	→ dim_date, รูปแบบ YYYYMMDD
product_key	int64	→ dim_product
user_key	int64	→ dim_user
category	string	partition key
rating	double	1–5
helpful_vote	int64	จำนวนคนกดว่ามีประโยชน์
verified_purchase	bool	ซื้อจริงหรือไม่
has_images	bool	ผู้รีวิวแนบรูปไหม
is_positive / is_negative	bool	rating ≥ 4 / ≤ 2
review_ts	timestamp

dim_product มี product_title, main_category, store (แบรนด์), price, price_band, listed_avg_rating, listed_rating_count, has_metadata

dim_user มี lifetime_reviews, categories_reviewed, avg_rating_given, verified_share, first/last_review_date, reviewer_segment (Power reviewer / Regular / One-off)

สิ่งที่ทำในขั้นนี้

• ลบรีวิวซ้ำด้วย (user_id, asin, timestamp)
• กรองแถวเสีย: rating นอกช่วง 1–5, ไม่มี user/product/timestamp, timestamp เพี้ยนนอกช่วงปี 1996–2023
• แปลง price จาก string เป็นตัวเลข แล้วจัดกลุ่มเป็น price_band
• สินค้าที่มีรีวิวแต่ไม่มี metadata ยังได้แถวใน dim_product (ธง has_metadata = false) — fact จึงไม่มีแถวกำพร้า
• ผ่าน quality checks 10 ข้อ (referential integrity, ค่าซ้ำ, ค่านอกช่วง)

ยังไม่ได้ทำ: ล้าง HTML ในข้อความ, feature engineering, แบ่ง train/test — อยู่ใน stage 2

ความครบถ้วนของ metadata (อ่านก่อนใช้ price)

ตัวเลขถ่วงน้ำหนักตามจำนวนรีวิว คือสัดส่วนที่จะเหลือจริงเมื่อคุณ join กับ dim_product

หมวด	รู้ราคา	รู้แบรนด์
Amazon_Fashion	17.3%	96.9%
All_Beauty	26.5%	92.9%
Health_and_Personal_Care	34.2%	97.5%

⚠️ ข้อมูลราคาที่ขาดหายไม่ได้สุ่ม (MNAR) — สินค้าที่ไม่มีราคาใน metadata ได้คะแนนเฉลี่ยต่างจากสินค้าที่มีราคาอย่างเห็นได้ชัด:

กลุ่ม	จำนวนรีวิว	คะแนนเฉลี่ย
ไม่มีราคา	2,878,650	3.925
มีราคาใน metadata	780,286	4.146

แปลว่าถ้าคุณกรอง price_band = 'Unknown' ทิ้งเพื่อวิเคราะห์เรื่องราคา ผลลัพธ์จะเอนไปทางบวก ไม่ใช่แค่ "ตัวอย่างเล็กลง" ควรรายงานทุกครั้งว่ากรองออกไปกี่ % และอย่าเอาข้อสรุปจาก subset นี้ไปอ้างกับสินค้าทั้งหมด

ข้อควรระวัง

• รีวิวเดียวอาจปรากฏในไฟล์หมวดมากกว่าหนึ่งไฟล์ การ dedupe ยุบเหลือแถวเดียว จำนวนรายหมวดจึงต่ำกว่าจำนวนบรรทัดในไฟล์ดิบเล็กน้อย
• dim_user คำนวณจาก 3 หมวดนี้เท่านั้น ไม่ใช่ประวัติ Amazon ทั้งหมดของคนนั้น
• จำนวนรีวิวเป็นตัวแทนคร่าว ๆ ของดีมานด์ ไม่ใช่ยอดขาย — ต้นทางไม่มีข้อมูลยอดขาย

ที่มาและสัญญาอนุญาต

ดัดแปลงจาก McAuley-Lab/Amazon-Reviews-2023 (UCSD McAuley Lab) กรุณาอ้างอิงผู้จัดทำต้นฉบับ:

@article{hou2024bridging,
  title={Bridging Language and Items for Retrieval and Recommendation},
  author={Hou, Yupeng and Li, Jiacheng and He, Zhankui and Yan, An and Chen, Xiusi and McAuley, Julian},
  journal={arXiv preprint arXiv:2403.03952},
  year={2024}
}