9.2万书籍元数据与273万用户交互数据集分析报告——多语种图书推荐系统与用户行为研究核心资源

## 引言与背景

在数字阅读和图书推荐领域，高质量的书籍数据和用户行为数据是驱动算法研发、个性化推荐和内容分析的核心资源。本次分析的数据集包含Goodreads平台的书籍元数据与用户交互记录两大核心部分，为图书行业研究和应用开发提供了丰富的数据支撑。

书籍元数据文件包含92,389条书籍记录，涵盖了书籍的基础信息、出版信息、内容描述、评分统计等29个维度；交互数据文件则包含2,734,350条用户与书籍的互动记录，涉及377,799位独立用户和36,514本不同书籍的阅读状态、评分和评论信息。这些数据包含完整的书籍元数据（如ISBN、作者、出版社、页数、出版年份、语言、格式等），还记录了用户的真实阅读行为和反馈，为理解读者偏好、书籍流行趋势和内容分类提供了宝贵的研究素材。需要特别说明的是，本数据集仅包含书籍元数据和用户交互记录，不包含书籍原始文件（如PDF、EPUB、MOBI等格式的完整书籍内容）。

该数据集对于科研机构开展图书推荐算法研究、内容分析和用户行为建模具有重要价值，同时也为图书电商平台优化推荐系统、提升用户体验提供了数据基础。通过对全量数据的深入分析，可以揭示书籍市场的发展规律、不同语言和地区的阅读偏好差异，以及用户行为模式的演变趋势。

## 数据基本信息

### 字段说明

#### 书籍元数据字段

| 字段名称 | 字段类型 | 字段含义 | 数据示例 | 完整性 |
|----------|----------|----------|----------|--------|
| book_id | 字符串 | 书籍唯一标识 | 16037549 | 100.00% |
| title | 字符串 | 书籍标题 | Vision of Sir Launfal and Other Poems | 100.00% |
| title_without_series | 字符串 | 不含系列名的标题 | Vision of Sir Launfal and Other Poems | 100.00% |
| authors | JSON数组 | 作者信息（含ID和角色） | [{'author_id': '15585', 'role': ''}] | 100.00% |
| isbn | 字符串 | ISBN编号 | 0811223981 | 89.11% |
| isbn13 | 字符串 | ISBN13编号 | 9780811223980 | 94.00% |
| asin | 字符串 | Amazon ASIN编号 | B00U2WY9U8 | 62.48% |
| publisher | 字符串 | 出版社名称 | Houghton, Mifflin and Company | 94.95% |
| publication_year | 整数 | 出版年份 | 1887 | 95.09% |
| publication_month | 整数 | 出版月份 | 3 | 89.75% |
| publication_day | 整数 | 出版日期 | 20 | 88.60% |
| language_code | 字符串 | 语言代码 | eng | 78.87% |
| country_code | 字符串 | 国家代码 | US | 99.81% |
| format | 字符串 | 书籍格式 | Paperback | 94.21% |
| num_pages | 整数 | 页数 | 80 | 93.61% |
| description | 字符串 | 书籍描述 | Number 30 in a series of literary pamphlets... | 91.85% |
| average_rating | 浮点数 | 平均评分 | 3.83 | 99.99% |
| ratings_count | 整数 | 评分次数 | 3 | 100.00% |
| text_reviews_count | 整数 | 文本评论次数 | 1 | 97.79% |
| is_ebook | 布尔值 | 是否电子书 | false | 99.98% |
| kindle_asin | 字符串 | Kindle版本ASIN | B00SM9ITQS | 70.89% |
| popular_shelves | JSON数组 | 热门书架标签 | [{'count': '8', 'name': 'to-read'}] | 99.98% |
| similar_books | 数组 | 相似书籍ID列表 | ['1230072', '315167'] | 77.16% |
| series | JSON数组 | 所属系列 | [] | 61.43% |
| edition_information | 字符串 | 版本信息 | First | 76.20% |
| link | 字符串 | Goodreads链接 | https://www.goodreads.com/book/show/16037549 | 100.00% |
| url | 字符串 | 书籍URL | https://www.goodreads.com/book/show/16037549 | 100.00% |
| image_url | 字符串 | 封面图片URL | https://images.gr-assets.com/books/1348176637m/16037549.jpg | 100.00% |
| work_id | 整数 | 作品ID | 5212748 | 100.00% |

#### 用户交互数据字段

| 字段名称 | 字段类型 | 字段含义 | 数据示例 | 完整性 |
|----------|----------|----------|----------|--------|
| user_id | 字符串 | 用户唯一标识 | 8842281e1d1347389f2ab93d60773d4d | 100% |
| book_id | 字符串 | 书籍标识 | 1384 | 100% |
| review_id | 字符串 | 评论唯一标识 | 1bad0122cebb4aa9213f9fe1aa281f66 | 100% |
| is_read | 布尔值 | 是否已读 | True | 100% |
| rating | 整数 | 评分（0-5星） | 4 | 100% |
| review_text_incomplete | 字符串 | 评论内容（可能截断） | I have three younger siblings... | 15% |
| date_added | 字符串 | 添加日期 | Wed May 09 09:33:44 -0700 2007 | 100% |
| date_updated | 字符串 | 更新日期 | Wed May 09 09:33:44 -0700 2007 | 100% |
| read_at | 字符串 | 阅读日期 | Tue Mar 01 00:00:00 -0800 1983 | 25% |
| started_at | 字符串 | 开始阅读日期 | Thu Oct 19 17:23:24 -0700 2017 | 10% |

### 数据分布情况

#### 出版年份分布

| 年份 | 记录数量 | 占比 | 累计占比 |
|------|----------|------|----------|
| 未知 | 72,990 | 79.00% | 79.00% |
| 2013 | 923 | 1.00% | 80.00% |
| 2009 | 906 | 0.98% | 80.98% |
| 2008 | 898 | 0.97% | 81.95% |
| 2007 | 877 | 0.95% | 82.90% |
| 2010 | 858 | 0.93% | 83.83% |
| 2011 | 833 | 0.90% | 84.73% |
| 2012 | 828 | 0.90% | 85.63% |
| 2014 | 805 | 0.87% | 86.50% |
| 2015 | 734 | 0.79% | 87.29% |
| 其他年份 | 8,648 | 9.36% | 100.00% |

数据覆盖从1321年到2017年的出版记录，其中约79%的记录缺失出版年份信息，已知年份中2007-2014年为记录最集中的时间段。

#### 语言分布

| 语言 | 记录数量 | 占比 |
|------|----------|------|
| 未知 | 75,301 | 81.50% |
| 英语 | 8,393 | 9.08% |
| 阿拉伯语 | 1,608 | 1.74% |
| 波斯语 | 953 | 1.03% |
| 英语(美国) | 868 | 0.94% |
| 西班牙语 | 837 | 0.91% |
| 其他小语种 | 4,429 | 4.80% |

英语书籍占据主导地位，同时涵盖阿拉伯语、波斯语、西班牙语、葡萄牙语、意大利语、土耳其语、法语、德语等多种语言，体现了数据集的多语种覆盖能力。

#### 格式分布

| 格式类型 | 记录数量 | 占比 |
|----------|----------|------|
| 未知 | 72,830 | 78.83% |
| Paperback | 12,927 | 13.99% |
| Hardcover | 4,006 | 4.34% |
| ebook | 469 | 0.51% |
| Unknown Binding | 191 | 0.21% |
| Kindle Edition | 161 | 0.17% |
| 其他 | 1,865 | 2.02% |

在已知格式的记录中，平装版（Paperback）是最常见的书籍格式，占所有有格式信息记录的67%以上。

#### 电子书分布

| 状态 | 记录数量 | 占比 |
|------|----------|------|
| 未知 | 55,875 | 60.48% |
| 否 | 33,658 | 36.43% |
| 是 | 2,856 | 3.09% |

#### 国家分布

| 国家 | 记录数量 | 占比 |
|------|----------|------|
| 未知 | 55,871 | 60.47% |
| US | 36,514 | 39.52% |
| 其他国家 | 4 | 0.01% |

#### 用户阅读状态分布

| 状态 | 记录数量 | 占比 |
|------|----------|------|
| 未读 | 1,420,740 | 52.00% |
| 已读 | 1,313,610 | 48.00% |

用户书架中未读书籍略多于已读书籍，反映了读者"收藏多于阅读"的普遍行为模式。

#### 用户评分分布

| 评分 | 记录数量 | 占比 |
|------|----------|------|
| 0星（未评分） | 1,505,291 | 55.10% |
| 5星 | 500,971 | 18.32% |
| 4星 | 405,565 | 14.83% |
| 3星 | 237,942 | 8.70% |
| 2星 | 64,084 | 2.34% |
| 1星 | 20,497 | 0.75% |

在有评分的记录中，4星和5星好评占比超过75%，显示用户整体评分倾向偏积极。

### 数据规模概述

该数据集包含92,389条书籍元数据记录和2,734,350条用户交互记录，涉及377,799位独立用户和36,514本不同书籍。书籍元数据覆盖了从1321年到2017年的出版历史，包含英语、阿拉伯语、波斯语、西班牙语等多种语言，格式涵盖平装版、精装版、电子书、有声书等多种类型。交互数据则记录了用户的阅读状态、评分和评论行为，时间跨度从2007年到2017年，为分析用户阅读行为提供了丰富的时间序列数据。

## 数据优势

| 优势特征 | 具体表现 | 应用价值 |
|----------|----------|----------|
| 数据规模庞大 | 92,389条书籍记录，273万条交互记录，37万+用户 | 支持大规模算法训练和统计分析，提高模型泛化能力 |
| 核心字段完整度高 | book_id、title、authors、link、url、image_url等核心字段完整度达100% | 确保数据可用性和分析可靠性 |
| 多语种覆盖 | 包含英语、阿拉伯语、波斯语、西班牙语等20+语种 | 支持跨语言研究和国际化应用开发 |
| 用户行为丰富 | 记录阅读状态、评分、评论时间等完整行为轨迹 | 支持用户画像构建、行为预测和个性化推荐 |
| 时间跨度长 | 书籍出版时间从1321年到2017年，交互记录从2007年到2017年 | 支持历史趋势分析和时间序列建模 |
| 格式多样 | 涵盖Paperback、Hardcover、ebook、Audio CD等多种格式 | 支持不同介质书籍的对比研究和适配分析 |
| 真实用户反馈 | 包含大量用户评分和评论文本 | 支持情感分析、内容质量评估和口碑传播研究 |
| 关联数据丰富 | 包含相似书籍推荐、作者信息、系列信息等关联数据 | 支持知识图谱构建和推荐系统优化 |

## 数据样例

### 书籍元数据样例（20条）

以下展示20条具有代表性的书籍元数据样例，涵盖不同语言、格式和主题：

1. Vision of Sir Launfal and Other Poems
- 作者：James Russell Lowell
- 出版社：Houghton, Mifflin and Company
- 出版年份：1887
- 页数：80页
- 平均评分：3.83
- 语言：英语

2. Growltiger's Last Stand and Other Poems
- 作者：T.S. Eliot / Errol Le Cain (Illustrator)
- 出版社：Farrar Straus Giroux
- 出版年份：2008
- 页数：48页
- 平均评分：4.38

3. The Cocktail Party
- 作者：T.S. Eliot
- 出版社：Mariner Books
- 出版年份：1964
- 页数：190页
- 平均评分：3.71

4. Geografías
- 作者：Mario Benedetti
- 出版年份：未知
- 平均评分：4.09

5. Black Liquor: Poems
- 作者：Dennis E. Bolen
- 出版社：Caitlin Press
- 出版年份：2013
- 页数：128页
- 平均评分：4.0

6. Little Boy Blue: A Memoir in Verse
- 作者：Jean Jacobik
- 出版社：CavanKerry Press
- 出版年份：2011
- 页数：63页
- 平均评分：4.09

7. ذاكرة للنسيان（记忆的遗忘）
- 作者：Mahmoud Darwish
- 出版社：lmw'ss@ l`rby@ lldrst wlnshr
- 出版年份：1990
- 页数：228页
- 平均评分：4.16
- 语言：阿拉伯语

8. Cornflakes: Poems
- 作者：Barbara Vance
- 出版社：Greenwillow Books
- 出版年份：2000
- 页数：56页
- 平均评分：3.71

9. God Hunger
- 作者：Jane Yolen
- 出版社：Puffin
- 出版年份：1990
- 页数：96页
- 平均评分：3.88

10. Poetry is Not a Project
- 作者：Rachel Zucker
- 出版年份：2010
- 平均评分：4.46
- 语言：英语

11. soft thorns
- 作者：Brianna Wiest
- 平均评分：4.02

12. Básně a blues（诗歌与布鲁斯）
- 作者：Karel Kryl
- 出版年份：1978
- 平均评分：4.19
- 语言：捷克语

13. Ik wil leven, Ik wil lijden（我想生活，我想受苦）
- 作者：Herman de Coninck
- 出版年份：2008
- 平均评分：3.0
- 语言：荷兰语

14. what it means to be avant-garde
- 作者：Marjorie Perloff
- 出版年份：1993
- 平均评分：4.47
- 语言：英语

15. Three Poems: Host and Guest / Aluda Ketelauri / The Snake-Eater
- 作者：Vazha-Pshavela
- 出版年份：1981
- 平均评分：4.7
- 语言：英语

16. What I Remember from My Time on Earth
- 作者：Sandra Cisneros
- 出版年份：1997
- 平均评分：3.86

17. 100 Poems to Lift Your Spirits
- 作者：Various Authors
- 出版年份：2008
- 平均评分：3.89

18. Sendas De Oku/path of Oku
- 作者：Nicanor Parra
- 平均评分：4.15

19. Hover
- 作者：Sharon Olds
- 出版年份：2015
- 平均评分：4.71
- 语言：英语

20. Happy Life
- 作者：Matthew Rohrer
- 出版年份：2011
- 平均评分：4.17

### 用户交互数据样例

以下展示5条具有代表性的用户交互记录：

1. 高评分已读记录
- 用户ID：8842281e1d1347389f2ab93d60773d4d
- 书籍ID：1384
- 阅读状态：已读
- 评分：4星
- 添加日期：2007-05-09

2. 未读待阅读记录
- 用户ID：72fb0d0087d28c832f15776b0d936598
- 书籍ID：24769928
- 阅读状态：未读
- 评分：0星
- 添加日期：2016-04-27

3. 含评论的阅读记录
- 用户ID：3ca7375dba942a760e53b726c472a7dd
- 书籍ID：402128
- 阅读状态：已读
- 评分：5星
- 评论摘要："I have three younger siblings and we grew up watching the musical Cats..."
- 添加日期：2012-06-12

4. 多语言评论记录
- 用户ID：d0c8e4089c1435ff9e1ab3f2bc5f88ff
- 书籍ID：5948950
- 阅读状态：已读
- 评分：5星
- 评论摘要（阿拉伯语）："جميل جدا ❤❤"
- 添加日期：2013-12-21

5. 阅读周期记录
- 用户ID：afc070543f19028dc7e7f084a0079f72
- 书籍ID：35606560
- 阅读状态：已读
- 评分：4星
- 开始阅读：2017-10-19
- 完成阅读：2017-10-22
- 阅读周期：3天

## 应用场景

### 图书推荐系统开发

基于该数据集，可以构建精准的图书推荐系统。通过分析用户的阅读历史、评分偏好和收藏行为，结合书籍的元数据信息（如作者、出版社、语言、格式等），可以实现多种推荐策略。协同过滤算法可以发现用户之间的相似性，推荐相似用户喜欢的书籍；基于内容的推荐可以根据书籍的主题、风格和语言特征进行匹配；混合推荐则结合多种方法提高推荐准确性。例如，通过分析用户对特定类型诗歌的偏好，可以推荐同类型的其他诗集；通过识别用户对诺贝尔文学奖得主作品的兴趣，可以推荐更多获奖作家的作品。该数据集包含的相似书籍信息也为推荐系统提供了直接的关联线索，能够显著提升推荐的相关性和用户满意度。

### 用户画像与行为分析

该数据集的交互记录为构建用户画像提供了丰富的数据基础。通过分析用户的阅读偏好、评分习惯、阅读频率和时间分布，可以深入了解不同用户群体的特征。例如，可以识别活跃用户与偶尔用户的行为差异，分析不同年龄段、语言背景用户的阅读偏好，发现用户的阅读周期和季节性变化规律。此外，通过研究用户从添加书籍到完成阅读的时间间隔，可以了解用户的阅读效率和兴趣持久度；通过分析用户的评分分布，可以揭示不同用户的评价标准和偏好倾向。这些分析结果对于优化用户体验、设计个性化营销策略具有重要价值。

### 内容分类与主题挖掘

书籍元数据中的描述、标签和分类信息为内容分类和主题挖掘提供了数据支持。通过对书籍描述进行文本分析，可以自动识别书籍的主题、风格和情感倾向；通过分析热门书架标签（popular_shelves），可以发现读者对书籍的分类认知和流行趋势。例如，可以识别出诗歌类书籍中最常见的主题（如爱情、自然、人生哲理等），分析不同语言和地区的文学偏好差异，发现新兴的文学趋势和热门话题。这些分析结果对于出版社选题策划、图书馆馆藏建设和内容平台内容推荐都具有指导意义。

### 情感分析与口碑传播研究

用户评论数据为情感分析和口碑传播研究提供了宝贵的素材。通过对评论文本进行情感极性分析，可以了解读者对不同书籍的情感倾向和满意度；通过分析评论的时间分布和传播路径，可以研究书籍口碑的传播规律和影响力。例如，可以识别引发热烈讨论的书籍特征，分析正面评价和负面评价的关键因素，研究口碑传播对书籍销量和评分的影响。这些研究成果对于理解读者反馈机制、优化内容营销策略具有重要参考价值。

### 跨语言与跨文化研究

该数据集涵盖多种语言的书籍和评论，为跨语言和跨文化研究提供了独特的机会。通过比较不同语言书籍的评分分布、阅读偏好和评论特征，可以揭示不同文化背景下读者的阅读习惯和审美差异。例如，可以分析英语、阿拉伯语和波斯语书籍在主题选择、情感表达和评价标准上的异同，研究翻译作品的接受度和传播规律。这些研究对于促进跨文化交流、优化多语种内容推荐具有重要意义。

## 结尾

本数据集包含丰富的书籍元数据和用户交互信息，为图书领域的研究和应用开发提供了强有力的数据支撑。其核心优势在于数据规模庞大、核心字段完整度高、多语种覆盖和真实用户反馈，能够支持从推荐系统开发到用户行为分析、从内容分类到情感分析等多种应用场景。

特别值得强调的是，该数据集包含完整的书籍元数据信息，涵盖了书籍的基本属性、出版信息、内容描述和评分统计等多个维度，为深入分析提供了基础。同时，超过270万条的用户交互记录为理解读者行为和偏好提供了丰富的实证数据。需要说明的是，本数据集仅包含书籍元数据和用户交互记录，不包含书籍原始文件（如PDF、EPUB等格式的完整书籍内容），因此应用场景主要基于元数据分析。

该数据集适用于学术研究、算法开发和商业应用等多个领域，无论是构建推荐系统、分析用户行为，还是挖掘内容主题、研究情感倾向，都能够提供有力的数据支持。有需要可私信获取更多信息。