# 平台商品分类 — Data

来源：https://www.kaggle.com/competitions/classification-of-goods/data

本地 Meta Kaggle 快照；不是本次实时页面。

# Dataset Description


## 1. 数据集概览（Dataset Overview）

本数据集用于「商品分类」任务。场景背景为：在电商或零售平台中，平台需要对大量商品进行合理的类别标注，以支撑检索、推荐和类目导航等核心功能。

在本题中，每个样本对应一件商品，提供的核心信息包括：

- 商品的图像信息（通过图像 id 与对应图片文件关联）；
- 简短的文本信息（例如商品标题或简要描述）；
- 商品所属的类别标签（在训练集中可用）。

数据规模如下：

- 训练集（`train.csv`）：33,633 条带标签的商品数据；
- 测试集（`test.csv`）：8,367 条无标签商品数据；
- 类别总数：21 个商品类别，已离散化编码为 0–20。

参赛者需要利用训练集构建模型，并在测试集上预测每个商品的类别。



## 2. 文件结构（Files）

根据题目说明，本竞赛提供以下主要文件与目录：

- `train.csv`：训练集  
- `train_images/`：训练集图像目录  
- `test.csv`：测试集  
- `test_images/`：测试集图像目录  
- `sample_submission.csv`（或提交示例 `submission.csv`）：提交文件示例  

下面分别说明其大致内容与用法。

### 2.1 训练集：`train.csv`

`train.csv` 为带表头的 CSV 文件，每行对应一个带标签的商品样本。根据 PPT 中的描述，它至少包含以下信息：

#### （1）商品/图像标识字段

- 类型：字符串或整数  
- 用途：唯一标识一件商品，同时用于与图像文件名建立关联。  
- 通常与 `train_images/` 中的图片文件名一致（例如某一行的 `id` 对应 `train_images/<id>.jpg` 或类似命名）。

#### （2）商品图像信息 / 元数据字段

- 类型：字符串或其他简单类型  
- 含义：用于描述图像或商品的辅助信息，例如图像路径、品类上游信息等。  
- 具体字段名称与含义可在 Kaggle「Data」页面中进一步说明。

#### （3）简短文本描述（如有）

- 类型：字符串  
- 含义：商品的标题（`title`）或简要描述（`description`），可用于文本建模或多模态融合。  
- 实际字段名（例如 `title`、`description` 等）以实际数据为准。

#### （4）类别标签字段

- 列名示例：`categories`（具体以实际文件为准）；  
- 类型：整数；  
- 含义：商品所属类别标签，已事先编码为从 0 到 20 的 21 个离散值之一。




### 2.2 训练图像目录：`train_images/`

- 该目录包含训练集中所有商品对应的图像文件；  
- 每个图像文件的文件名与 `train.csv` 中的某个标识字段一一对应（例如商品 id 或 image id）；  
- 图像格式可能为 jpg、png 等常见格式，具体可由参赛者自行在本地查看；  
- 多数情况下，每个商品对应一张图像；如有多个视角图像，也会通过命名规则或额外字段加以区分。

参赛者需自行根据文件名和 `train.csv` 中的标识字段，将图像与结构化数据对齐。


### 2.3 测试集：`test.csv`

`test.csv` 的结构与 `train.csv` 类似，但 **不包含类别标签列**。

典型字段包括：

- 商品/图像标识字段（用于与 `test_images/` 中图像文件对应）；  
- 商品图像相关信息 / 元数据；  
- 简短文本描述（如标题或说明）。

参赛者需要对 `test.csv` 中的每一行样本预测其商品类别，并在提交文件中给出预测结果。



### 2.4 测试图像目录：`test_images/`

- 该目录包含测试集中所有商品对应的图像文件；  
- 文件命名方式与 `train_images/` 保持一致，同样通过某个标识字段与 `test.csv` 中的数据对应；  
- 用法与 `train_images/` 类似，只是无对应的标签。



### 2.5 示例提交文件：`sample_submission.csv`

为了说明提交格式，数据集中提供了一个示例提交文件，结构类似：

```csv
id,categories
B00004TZR1,0
...
```

字段含义为：

- `id`：测试集中商品的唯一标识，应与 `test.csv` 中的 `id` 完全对应；  
- `categories`：模型预测的商品类别标签，为整数 0–20 中的一个值。

参赛者需要在最终提交文件中覆盖所有测试样本，确保每个 `id` 都有一条对应预测。



## 3. 字段说明与使用提示（Field Semantics & Usage Notes）

以下内容只对字段进行功能性说明，不涉及具体统计分布、样本数量细分等分析。

### 3.1 标识字段（`id` / `image_id` 等）

- 用于建立 `train.csv` / `test.csv` 与 `train_images/` / `test_images/` 之间的映射；  
- 在读取数据时，通常将其作为索引或主键使用，不直接作为模型特征。



### 3.2 文本字段（如 `title` / `description`）

为商品内容提供语义信息，可用于：

- 传统文本特征（词袋、TF-IDF 等）；  
- 预训练文本模型 embedding（如 BERT 类模型）。

可能包含大小写、标点、数字等，需要参赛者自行决定是否进行清洗和规范化。



### 3.3 类别标签字段（`categories`）

- 为训练监督信号，值域为 0–20 的整数，对应 21 个商品类别；  
- 本题是 **单标签多分类任务**，每个样本仅属于一个类别；  
- 类别含义（比如 0 对应哪一类商品）可以在课程文档或额外说明中给出，也可以仅作为编号使用。



### 3.4 图像文件（`train_images/` & `test_images/`）

- 可直接用于图像分类模型（如 CNN、ResNet、ViT 等）的输入；  
- 参赛者可自行进行大小调整、归一化、数据增强等预处理；  
- 图像与文本的联合建模可采用多模态网络或特征级融合等方式。