wqzerrrr/GamePopularityPredictiondataset

---

Dataset Card for Steam 游戏评论时序数据集

Dataset Details

Uses

Direct Use

• 热度（评论量对数）多步预测
• 口碑（正向推荐比例）多步预测
• 衰退风险二分类（未来热度显著下降的预警）
• 特征消融与模型对比（LSTM vs Transformer，h_only / h_sent / full_no_topic）

Out-of-Scope Use

• 不含主题特征，不能直接用于主题相关分析。
• 情绪特征基于英文 VADER，对非英文评论信号有限；不适合跨语言情感对比。

Dataset Structure

• 粒度：按游戏（app_id）和自然周聚合
• 特征：热度 H_t、口碑 P_t、情绪（sent_mean/sent_std/neg_ratio）、元数据（价格/免费/EA/语言数/类型 One-Hot 等）
• 划分：按时间顺序 70% 训练 / 15% 验证 / 15% 测试（在脚本中按窗口切分）

Dataset Creation

Curation Rationale

• 以用户评论反馈为核心信号，构建可用于时间序列预测和运营预警的多源数据。

Source Data

Data Collection and Processing

• 原始元数据：games.json（游戏信息）
• 原始评论：Game Reviews/ 下的多 CSV，文件名 {app_id}_xxxx.csv
• 预处理步骤：编码容错、字段补全、日期解析、推荐标准化、周聚合；按评论数/跨度/有效周数筛样本；合并情绪与元数据，生成最终周级表。

Annotations

• 无人工标注；情绪分数由 VADER 自动生成。

Personal and Sensitive Information

• 评论文本可能包含用户自述信息，使用时应遵守 Steam 条款并避免用于隐私挖掘；本数据集未额外脱敏。

Bias, Risks, and Limitations

• 语言偏置：情绪特征依赖英文情感模型，非英文信号弱。
• 样本偏置：仅保留评论数/跨度足够的游戏，长尾游戏未纳入。
• 主题特征缺失：本版本未包含主题分布，无法提供内容结构信号。

Recommendations

• 使用情绪特征时注意其英文偏置；口碑/热度结果更可靠于英文评论占比高的样本。
• 需要内容信号可在后续版本加入主题模型（BERTopic 等）并重训。

Glossary

• H_t：log(1 + review_count_t)，热度指标
• P_t：positive_ratio_t，口碑指标
• h_only / h_sent / full_no_topic：特征消融组

More Information

• 复现流程与依赖见https://github.com/guangchacha/GamePopularityPrediction.git
• 数据文件说明见 data_description.txt