电商评论数据是情感分析、推荐系统和消费者行为研究里最常被用到的一类文本数据。它的特点是量大、口语化、带情感标签或可打标签的评分，但获取和使用上有几个容易忽略的边界，先说清楚这些，再看具体去哪找。
英文方向：Amazon Reviews 系列
提到电商评论公开数据集，绕不开加州大学圣地亚哥分校（UCSD）Julian McAuley 团队长期维护的 Amazon Reviews 系列。这是学术界最常引用的电商评论数据集，历经多次版本更新，最新一版是 2023 年发布的 Amazon Reviews 2023：包含约 5.71 亿条评论，覆盖 5451 万用户、4819 万件商品、33 个商品类别，时间跨度从 1996 年 5 月到 2023 年 9 月。
数据内容包括用户评论（评分、文本、有用投票等）、商品元数据（描述、价格、图片信息）以及“也看了/也买了”一类的关联图数据。获取方式主要有两条路：一是通过项目官网提供的按类别打包下载链接（review 和 metadata 分开的 JSONL 压缩文件），二是通过 Hugging Face 的 datasets 库直接加载，例如按 raw_review_All_Beauty 这样的类别名调用。项目页面本身没有清楚列出统一的许可证条款，如果你的用途涉及商业化或再分发，建议在使用前查阅 GitHub 仓库的说明或直接联系团队确认许可边界，不要默认为可以无条件商用。
如果你的研究只需要中小规模的入门数据集练手，Kaggle 上也有多个基于 Amazon 评论整理的版本，比如 Datafiniti 整理的 Consumer Reviews of Amazon Products，包含评分、评论文本和商品信息，规模适中、结构清晰，适合做课程作业或快速验证模型思路；下载需要注册 Kaggle 账号并同意其数据使用条款。
中文方向：购物评论语料
中文电商评论的公开语料相对分散，其中比较常被引用的是 GitHub 上 SophonPlus 维护的 ChineseNlpCorpus 项目，里面收录了多个中文 NLP 语料子集，其中 online_shopping_10_cats 子集专门整理了电商购物评论：覆盖书籍、平板、手机、水果、洗发水、热水器、乳制品、服装、电脑、酒店等 10 个品类，合计 6 万余条评论，且已做了正负情感标注，可以直接用于情感分类模型的训练和验证。该仓库以整理转发已有公开语料为主，具体许可条款请以仓库内实际标注为准，使用前建议核实原始数据来源是否允许你计划中的用途。
如果你要找的是国内电商平台自身发布的竞赛类数据集，阿里天池是主要入口之一，站内不定期上架淘宝、天猫相关的用户行为和推荐算法竞赛数据，比如历史上的“移动推荐算法”“跨境电商智能算法大赛”等题目会附带脱敏后的用户行为数据。这类数据集通常是竞赛专用、带有明确的使用范围限制（例如仅限竞赛期间或指定用途），是否包含你需要的评论文本类数据、当前是否仍可下载，都需要在天池站内实际检索确认，不要凭旧印象假设某个竞赛数据集长期可用。
数据结构上要留意什么
拿到评论数据集之后，实际建模前建议先核对几个字段层面的问题，这些坑比“去哪下载”更容易拖慢进度：
- 评分与文本是否一致：不少电商评论数据集里评分和文本情感存在不匹配的情况（比如打了5星但文本在吐槽），如果你的任务是情感分类，建议先做一轮抽样人工核对，而不是直接把评分当作情感标签使用。
- 是否已去重、是否含刷单/水军样本：公开整理版数据集通常没有对刷单评论做专门清洗，如果研究目标涉及“真实消费者态度”，需要自己补充异常检测或过滤规则。
- 类别体系是否与你的研究目标匹配：比如 Amazon Reviews 的商品类别体系和中文语料的品类划分方式并不完全对应，跨语言/跨平台比较时要先做类别映射，不能假设类别名字面对应就是同一类商品。
- 元数据是否完整：部分数据集只提供评论文本和评分，价格、品牌、图片等商品元数据可能缺失或需要单独下载对应的 metadata 文件，下载前确认你需要的字段是否都在。
中英文数据集怎么选
如果研究问题本身是英文语境（比如面向国际期刊、需要引用广泛使用的基准数据集），Amazon Reviews 2023 目前是规模最大、更新最及时的选择，覆盖类别多、时间跨度长，也有配套的推荐系统基准任务可以直接复用。如果只是做方法验证、不需要最新最大规模，用其历史版本或 Kaggle 上的轻量子集反而更快上手，不用处理几十 GB 的原始文件。
如果研究对象是中文消费者、中文文本，SophonPlus 整理的 online_shopping_10_cats 是目前较容易获取、已带情感标注的起点，但体量和品类覆盖都不如英文数据集丰富，如果需要更大规模或更贴近具体行业（比如美妆、3C、生鲜）的中文评论数据，往往需要结合天池、和鲸等国内数据平台按需检索，或考虑与目标平台做正式的数据合作，而不是指望一个现成语料能覆盖所有场景。
常见问题
Amazon Reviews 数据集能直接商用吗？ 项目官方页面没有给出统一、明确的商业许可声明，仅指向业务条款和隐私政策的链接。如果计划商业化使用，建议直接查阅仓库许可文件或联系团队书面确认，不要凭“公开可下载”就默认可以商用，这是最容易踩坑的一步。
中文和英文数据集能不能混合训练一个跨语言模型？ 技术上可以拼接，但要注意品类体系、评分尺度（比如5分制还是好评/差评二分类）、文本长度分布往往不一致，直接混合训练之前最好先做统一预处理和采样平衡，否则模型可能被某一语种或某一品类的分布主导。
除了 Kaggle 和天池，还有别的国内平台可以找评论数据吗？ 百度飞桨 AI Studio、和鲸社区等国内数据科学平台也会不定期上架电商相关的公开数据集，具体是否有你需要的评论文本类数据，需要在各平台内实际检索，覆盖范围会随时间变化。
使用边界：公开数据集 ≠ 平台原始数据
这里有一条容易被忽略但很重要的界线：上面提到的这些数据集，都是研究者或平台在获得授权、经过脱敏处理后打包发布的整理版，不等于你可以自行从电商平台网页抓取实时评论。平台自身的用户协议和服务条款通常明确限制爬虫抓取，尤其涉及用户账号信息、地址、联系方式等个人信息的内容，即便技术上能抓到，也可能违反平台条款或触及个人信息保护的合规红线。做研究时，优先使用上述已公开发布、明确许可条款的整理版数据集，而不是自行采集；如果确实需要平台未公开的数据，应当通过平台官方的开放数据合作渠道申请，而不是绕过条款抓取。
数据规模、字段结构、许可细节会随各平台的发布节奏调整，本文只梳理获取入口和使用边界，不对具体数字做断言，下载前请以对应页面当时的说明为准。如果你在挑选评论类数据集时还没确定该用哪个版本、哪个品类，可以把研究方向说清楚，通过 数聚天成的检索助手 帮你比对候选数据集的规模、标注情况和获取路径；数聚天成官网（www.deepsdata.com）也整理了更多细分领域的数据集导航可供参考。如果你经常需要在浏览网页时快速核实某个数据源页面的真实内容，小聚网页数据助手 可以帮你直接核对当前页面信息。