公开数据集往往存在于论文和网站数据库中，想要找到它们需要花费一番功夫。除了机器之心 SOTA 以外，搜索公开数据集的搜索引擎仍然比较少——除了谷歌的数据集搜索工具以外。
近日，谷歌宣布，它们的数据集搜索引擎不再是 beta 版了。这意味着该产品已经正式向用户们开放使用。Jeff Dean 和谷歌官方都在推特上宣布了这一消息。谷歌数据集搜索的 beta 版本早在 2018 年 9 月就上线了，该引擎面向「科学家、开发者、数据极客等人群」，一直以来都是人们寻找数据集的主要方式之一。链接：https://datasetsearch.research.google.com/在网络中，任何你感兴趣的主题都可能有无数种数据集。如果你想买一只小狗，你可以在数据集搜索中找到小狗买家评价的数据集。如果你喜欢滑雪，也可以找到有关著名滑雪地盈利和受伤概率数字的数据集。今天，谷歌数据集搜索已经涵盖了超过 2500 万种不同类型的数据集，它可以帮助你轻松地找到所有数据集的下载链接。谷歌表示，经过一年多的努力，数据集搜索功能的阶段性测试已经完成。如果你在数据集搜索上输入「skiing」，会出现的结果：出现了从最快的滑雪运动员到滑雪地的收入数据集等不同类型。
谷歌从用户在 Beta 版的使用中获得了很多经验。在正式版中，你可以根据所需的数据集类型（表格、图片、文本等），或者数据集是否可以免费获取等条件来进行搜索。如果数据集是关于某个地区的，你也可以通过地图进行查找。另外，现在搜索也做了移动端的适配，并大幅改善了数据及描述的质量。任何数据集发布者都可以通过 schema.org 开放标准在自己的网站上进行规范性描述，以提高搜索结果的质量。对于不同的学科来说，人们进行的搜索是完全不同的：科学家会寻找研究目标（如搜索催产素），学生会搜索包含自己作业主题的关键字，业务分析师和数据科学家会寻找移动 app 或快餐店销售的数据……今天，所有这些内容都有数据集。谷歌表示，目前人们在数据集搜索上查询频率最高的词是「教育」、「天气」、「癌症」、「犯罪」、「足球」以及「狗」。数据集搜索引擎可以提供数据集的快照信息，特别是有关地理信息、生物和农业方面的信息。很多信息都来自于 schema.org，只要网络上存在的数据集符合 schema 的开放标准，搜索引擎就可以搜索到。除了公开数据之外，数据集搜索引擎还包括了很多政府公开数据，包括美国政府超过两百万的数据集。绝大部分的公开数据都是以表格形式存储的，可以很容易地下载并进行处理。机器之心尝试了这一数据集搜索工具。例如，我们在搜索栏里输入了 CIFAR，搜索引擎很容易就提供了 CIFAR-10 和 CIFAR-100 两个数据集的搜索结果，并附带数据集全名、被引用数量、更新时间、提供者、下载方式、介绍和信息来源等。如果我们不知道数据集叫什么名字，但是想看看有没有某种数据的数据集呢？机器之心尝试了一些不常用关键词，如「Chinese Poem」（中国诗歌）。搜索结果也还不错，提供了相当多的数据集，包括数据集所在的论文等。项目团队表示，他们会继续优化数据集搜索这项产品，并欢迎用户提出进一步改进建议。https://blog.google/products/search/discovering-millions-datasets-web/
https://www.reddit.com/r/MachineLearning/comments/etdiz9/n_googles_dataset_search_is_out_of_beta/本文为机器之心报道，转载请联系本公众号获得授权。
✄------------------------------------------------
加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com
投稿或寻求报道：content@jiqizhixin.com
广告 & 商务合作：bd@jiqizhixin.com