近日，谷歌宣布，它們的資料集搜尋引擎不再是 beta 版了。這意味着該産品已經正式向使用者們開放使用。Jeff Dean 和谷歌官方都在推特上宣布了這一消息。
谷歌資料集搜尋的 beta 版本早在 2018 年 9 月就上線了，該引擎面向「科學家、開發者、資料極客等人群」，一直以來都是人們尋找資料集的主要方式之一。
連結：
https://datasetsearch.research.google.com/
在網絡中，任何你感興趣的主題都可能有無數種資料集。如果你想買一隻小狗，你可以在資料集搜尋中找到小狗買家評價的資料集。如果你喜歡滑雪，也可以找到有關著名滑雪地盈利和受傷機率數字的資料集。今天，谷歌資料集搜尋已經涵蓋了超過 2500 萬種不同類型的資料集，它可以幫助你輕松地找到所有資料集的下載下傳連結。
谷歌表示，經過一年多的努力，資料集搜尋功能的階段性測試已經完成。
如果你在資料集搜尋上輸入「skiing」，會出現的結果：出現了從最快的滑雪運動員到滑雪地的收入資料集等不同類型。
正式版更新了什麼？
谷歌從使用者在 Beta 版的使用中獲得了很多經驗。在正式版中，你可以根據所需的資料集類型（表格、圖檔、文本等），或者資料集是否可以免費擷取等條件來進行搜尋。如果資料集是關于某個地區的，你也可以通過地圖進行查找。另外，現在搜尋也做了移動端的适配，并大幅改善了資料及描述的品質。任何資料集釋出者都可以通過 schema.org 開放标準在自己的網站上進行規範性描述，以提高搜尋結果的品質。
對于不同的學科來說，人們進行的搜尋是完全不同的：科學家會尋找研究目标（如搜尋催産素），學生會搜尋包含自己作業主題的關鍵字，業務分析師和資料科學家會尋找移動 app 或快餐店銷售的資料……今天，所有這些内容都有資料集。
谷歌表示，目前人們在資料集搜尋上查詢頻率最高的詞是「教育」、「天氣」、「癌症」、「犯罪」、「足球」以及「狗」。
搜尋「快餐店」出現的結果索引。
哪些資料集可以找到？
資料集搜尋引擎可以提供資料集的快照資訊，特别是有關地理資訊、生物和農業方面的資訊。很多資訊都來自于 schema.org，隻要網絡上存在的資料集符合 schema 的開放标準，搜尋引擎就可以搜尋到。
除了公開資料之外，資料集搜尋引擎還包括了很多政府公開資料，包括美國政府超過兩百萬的資料集。絕大部分的公開資料都是以表格形式存儲的，可以很容易地下載下傳并進行處理。
使用體驗
機器之心嘗試了這一資料集搜尋工具。例如，我們在搜尋欄裡輸入了 CIFAR，搜尋引擎很容易就提供了 CIFAR-10 和 CIFAR-100 兩個資料集的搜尋結果，并附帶資料集全名、被引用數量、更新時間、提供者、下載下傳方式、介紹和資訊來源等。
如果我們不知道資料集叫什麼名字，但是想看看有沒有某種資料的資料集呢？機器之心嘗試了一些不常用關鍵詞，如「Chinese Poem」（中國詩歌）。
搜尋結果也還不錯，提供了相當多的資料集，包括資料集所在的論文等。
下一步計劃
項目團隊表示，他們會繼續優化資料集搜尋這項産品，并歡迎使用者提出進一步改進建議。
參考連結：
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/本文為機器之心報道，轉載請聯系本公衆号獲得授權。