原標(biāo)題：谷歌數(shù)據(jù)集搜索正式版出爐：全面升級(jí)，覆蓋2500萬數(shù)據(jù)集 來源：騰訊新聞

機(jī)器之心報(bào)道

參與：李澤南、一鳴

公開數(shù)據(jù)集往往存在于論文和網(wǎng)站數(shù)據(jù)庫中，想要找到它們需要花費(fèi)一番功夫。除了機(jī)器之心 SOTA以外，搜索公開數(shù)據(jù)集的搜索引擎仍然比較少——除了谷歌的數(shù)據(jù)集搜索工具以外。

谷歌宣布，它們的數(shù)據(jù)集搜索引擎不再是 beta 版了。這意味著該產(chǎn)品已經(jīng)正式向用戶們開放使用。Jeff Dean 和谷歌官方都在推特上宣布了這一消息。

谷歌數(shù)據(jù)集搜索的 beta 版本早在 2018 年 9 月就上線了，該引擎面向「科學(xué)家、開發(fā)者、數(shù)據(jù)極客等人群」，一直以來都是人們尋找數(shù)據(jù)集的主要方式之一。

鏈接：datasetsearch.research.google/

谷歌表示，經(jīng)過一年多的努力，數(shù)據(jù)集搜索功能的階段性測(cè)試已經(jīng)完成。

如果你在數(shù)據(jù)集搜索上輸入「skiing」，會(huì)出現(xiàn)的結(jié)果：出現(xiàn)了從最快的滑雪運(yùn)動(dòng)員到滑雪地的收入數(shù)據(jù)集等不同類型。

正式版更新了什么？

谷歌從用戶在 Beta 版的使用中獲得了很多經(jīng)驗(yàn)。在正式版中，你可以根據(jù)所需的數(shù)據(jù)集類型（表格、圖片、文本等），或者數(shù)據(jù)集是否可以免費(fèi)獲取等條件來進(jìn)行搜索。如果數(shù)據(jù)集是關(guān)于某個(gè)地區(qū)的，你也可以通過地圖進(jìn)行查找。另外，現(xiàn)在搜索也做了移動(dòng)端的適配，并大幅改善了數(shù)據(jù)及描述的質(zhì)量。任何數(shù)據(jù)集發(fā)布者都可以通過 schema.org 開放標(biāo)準(zhǔn)在自己的網(wǎng)站上進(jìn)行規(guī)范性描述，以提高搜索結(jié)果的質(zhì)量。

對(duì)于不同的學(xué)科來說，人們進(jìn)行的搜索是完全不同的：科學(xué)家會(huì)尋找研究目標(biāo)（如搜索催產(chǎn)素），學(xué)生會(huì)搜索包含自己作業(yè)主題的關(guān)鍵字，業(yè)務(wù)分析師和數(shù)據(jù)科學(xué)家會(huì)尋找移動(dòng) app 或快餐店銷售的數(shù)據(jù)……今天，所有這些內(nèi)容都有數(shù)據(jù)集。

谷歌表示，目前人們?cè)跀?shù)據(jù)集搜索上查詢頻率最高的詞是「教育」、「天氣」、「癌癥」、「犯罪」、「足球」以及「狗」。

搜索「快餐店」出現(xiàn)的結(jié)果索引。

哪些數(shù)據(jù)集可以找到？

數(shù)據(jù)集搜索引擎可以提供數(shù)據(jù)集的快照信息，特別是有關(guān)地理信息、生物和農(nóng)業(yè)方面的信息。很多信息都來自于 schema.org，只要網(wǎng)絡(luò)上存在的數(shù)據(jù)集符合 schema 的開放標(biāo)準(zhǔn)，搜索引擎就可以搜索到。

除了公開數(shù)據(jù)之外，數(shù)據(jù)集搜索引擎還包括了很多政府公開數(shù)據(jù)，包括美國政府超過兩百萬的數(shù)據(jù)集。絕大部分的公開數(shù)據(jù)都是以表格形式存儲(chǔ)的，可以很容易地下載并進(jìn)行處理。

使用體驗(yàn)

機(jī)器之心嘗試了這一數(shù)據(jù)集搜索工具。例如，我們?cè)谒阉鳈诶镙斎肓?CIFAR，搜索引擎很容易就提供了 CIFAR-10 和 CIFAR-100 兩個(gè)數(shù)據(jù)集的搜索結(jié)果，并附帶數(shù)據(jù)集全名、被引用數(shù)量、更新時(shí)間、提供者、下載方式、介紹和信息來源等。

如果我們不知道數(shù)據(jù)集叫什么名字，但是想看看有沒有某種數(shù)據(jù)的數(shù)據(jù)集呢？機(jī)器之心嘗試了一些不常用關(guān)鍵詞，如「Chinese Poem」（中國詩歌）。

搜索結(jié)果也還不錯(cuò)，提供了相當(dāng)多的數(shù)據(jù)集，包括數(shù)據(jù)集所在的論文等。

下一步計(jì)劃

項(xiàng)目團(tuán)隊(duì)表示，他們會(huì)繼續(xù)優(yōu)化數(shù)據(jù)集搜索這項(xiàng)產(chǎn)品，并歡迎用戶提出進(jìn)一步改進(jìn)建議。

參考鏈接：

blog.google/products/search/discovering-millions-datasets-web/

reddit/r/MachineLearning/comments/etdiz9/n_googles_dataset_search_is_out_of_beta/

本文為機(jī)器之心報(bào)道，轉(zhuǎn)載請(qǐng)聯(lián)系本公眾號(hào)獲得授權(quán)。

------------------------------------------------