把录音交给 Tinrec，几分钟获得逐字稿与摘要

支持音视频上传、多语言转写、AI 纪要与待办提取

2026年Tenrec大规模多用途推荐系统基准数据集解析：500万用户、1.4亿交互与4场景

为什么你需要更接近真实的推荐系统基准数据集？

很多人做推荐系统研究时，第一个想到的是规模较小、只包含单一正向反馈的数据集。这类数据集不是不能用，而是模型在真实系统中的实用价值容易被打折扣。

Tenrec 的出现，就是为了补上这个落差。它公开收录大规模、多场景、多种用户反馈，让推荐模型有更接近真实环境的评测基础。

Tenrec 是什么？

Tenrec 是一款公开的大规模多用途推荐系统基准数据集，来自论文《Tenrec: A Large-scale Multipurpose Benchmark Dataset for Recommender Systems》，发表于 NeurIPS 2022 Datasets and Benchmarks Track。

它从腾讯两个不同的 feeds 推荐应用中收集数据，涵盖四个推荐场景。对需要大规模、多场景、可复现实验的人来说，这是一个值得先认识的选择。

Tenrec 的五个核心特色

大规模：约 500 万用户、1.4 亿条交互，规模远超许多常见基准数据集。
正负反馈都有：不只正向反馈，也包含真实负向反馈，不像单类别推荐数据集那样只有一种信号。
跨场景重叠：四个不同场景之间有重叠的用户与物品，可用来研究跨域与迁移。
多种正向反馈：包含点击、点赞、分享、关注等形式，更接近真实产品中的多元交互。
额外特征：除了 user ID 和 item ID，还包含其他特征；来源中也提到 read_time 等阅读时长信息。

Tenrec 的四个推荐场景

Tenrec 的数据来自腾讯两个不同 feeds 推荐应用，总共涵盖四个推荐场景。

来源中提到其中一个场景是 QK-video；基于公开摘要，生产系统名称已被匿名化，其余场景名称与细节应以论文和官方数据页为准。

这种跨场景设计，让同一个数据集能支持更多元的推荐任务，而不是只服务单一应用。

Tenrec 可以用来评测哪些任务？

来源指出 Tenrec 可以用来 benchmark 十项多样化推荐任务，并涵盖多数常见推荐场景。

其中 cold start 是推荐系统里重要且尚未完全解决的挑战，Tenrec 的数据规模与额外特征，适合用来做这类研究。

它发布数据集与代码，目标是促进可复现性，并推进新的推荐研究。

谁适合使用 Tenrec？

推荐系统研究者：需要大规模、多场景、多种反馈的公开基准。
学生与实验团队：想用真实数据验证模型，而不是只跑玩具数据集。
需要可复现实验的人：Tenrec 提供公开数据与代码，方便对照论文结果。
研究跨域推荐的人：四个场景有重叠用户与物品，适合延伸跨场景题目。

如何获取 Tenrec 与引用方式？

Tenrec 是公开数据集，来源提到数据集与代码都已发布，可在 arXiv、OpenReview 与 NeurIPS 2022 proceedings 找到相关信息。

别再手动整理录音

上传音视频，自动获得逐字稿、摘要和行动项

试试秒听下载 Tinrec App

官方数据页为 https://tenrec0.github.io/，arXiv 页面为 https://arxiv.org/abs/2210.10629。

若用于研究，来源提供的引用格式是：

@article{yuan2022tenrec, title={Tenrec: A Large-scale Multipurpose Benchmark Dataset for Recommender Systems}, author={Yuan, Guanghu and Yuan, Fajie and Li, Yudong and Kong, Beibei and Li, Shujie and Chen, Lei and Yang, Min and Yu, Chenyun and Hu, Bo and Li, Zang and others}, journal={arXiv preprint arXiv:2210.10629}, year={2022} }