Update README.md

README.md

@@ -162,55 +162,60 @@ configs:
 ---
 =====================README====================
 
+## Polyvore-1000 Dataset
 
-# Polyvore‑1000 Dataset
+Welcome! I am Waly NGOM, PhD in Mathematics and passionate about Artificial Intelligence. This repository contains Polyvore-1000, a dataset designed for personalized recommendation in the fashion domain.
 
-Bienvenue ! Je suis **Waly NGOM**, docteur en mathématiques et passionné par l’intelligence artificielle. Ce dépôt contient **Polyvore‑1000**, un dataset conçu pour la recommandation personnalisée dans le domaine de la mode.
+Polyvore-1000 builds upon the Polyvore-U splits introduced by Han et al. (2017) and benefits from the complementary work of Lu et al. (CVPR 2019), who proposed an innovative binary-code based approach for efficient outfit recommendation.
 
-Polyvore‑1000 s’appuie sur les **splits Polyvore‑U** conçus par Han et al. (2017) et bénéficie du travail complémentaire de Lu et al. (CVPR 2019), qui ont apporté une approche innovante basée sur des codes binaires pour la recommandation efficace d’outfits.
+### Data Structure
 
-##  Structure des données
+a. Available splits: train, valid, test (same proportions as Polyvore-U: 17,316 / 1,497 / 3,076 outfits).
 
-- **Splits disponibles** : `train`, `valid`, `test` (mêmes proportions que Polyvore‑U : 17 316 / 1 497 / 3 076 outfits).
-- **Configurations** :
-  - `items` : données détaillées des items
-  - `kits` : informations sur chaque outfit
-  - `users` : identifiants synthétiques d’utilisateurs
-  - `interactions` : interactions entre utilisateurs et items (composition d’outfits, vues, likes)
+b. Configurations:
 
-###  Images
+    items: detailed item data
 
-Les images sont organisées dans `images/<kit_id>/` :
-- `0.jpg` → image de l’outfit (kit)
-- `1.jpg`, `2.jpg`, … → images correspondant aux items du kit, dans l’ordre des données JSON
+    kits: information on each outfit
 
+    users: synthetic user identifiers
 
+    interactions: interactions between users and items (outfit composition, views, likes)
 
-### Authentification Hugging Face
+    user_profiles: aggregated user interaction profiles
 
-Dans un notebook ou script Python :
+### Images
+
+Images are organized in images/<kit_id>/:
+
+- 0.jpg → outfit (kit) image
+
+- 1.jpg, 2.jpg, … → images corresponding to the items of the kit, in the order given by the JSON data
+
+## Hugging Face Authentication
+
+In a notebook or Python script:
 
-```python
 from huggingface_hub import login
 import os
 
 login(token=os.getenv("HF_TOKEN"))
 
+## Usage
 
-##  Utilisation
-
-Pour charger ces datasets:
+To load these datasets:
 
 from datasets import load_dataset
 
 items_ds = load_dataset("codewaly/polyvore1000", "items", split="train")
-kits_ds = load_dataset("codewaly/polyvore1000", "kits", , split="train")
+kits_ds = load_dataset("codewaly/polyvore1000", "kits", split="train")
 users_ds = load_dataset("codewaly/polyvore1000", "users", split="train")
 interactions_ds = load_dataset("codewaly/polyvore1000", "interactions", split="train")
+user_profiles_ds = load_dataset("codewaly/polyvore1000", "user_profiles", split="train")
 
-
-Références
+## References
 
 1. Han, X., et al. (2017). Learning Fashion Compatibility with Bidirectional LSTMs. ACM Multimedia.
 
 2. Lu, Z., et al. (2019). Learning Binary Code for Personalized Fashion Recommendation. CVPR.
+