---
title: HCSK
canonical_url: "https://www.modelscope.cn/datasets/Jack0702/HCSK"
md_url: "https://www.modelscope.cn/datasets/Jack0702/HCSK.md"
repository: Jack0702/HCSK
chinese_name: "家庭化学安全知识数据集"
last_updated: 2026-07-29
license: CC-BY-4.0
downloads: 317
stars: 0
---

# HCSK

> HCSK - Jack0702 在 ModelScope 开源的数据集。HCSK是一个面向家庭化学品安全风险评估AI Agent训练的多源知识数据集。数据全部来自官方公开渠道，覆盖17万余种化学物质、7.5万余款家庭产品、35万余条成分记录、7类法规管控列表和7.2万余条产品召回记录。每条记录均包含完整溯源信息（数据源URL、采集时间、获取方式、原始记录哈希），支持AI模型在化学品识别、成分验证、风险评估和法规合规等场景的训练与微调

Jack0702/HCSK 是 ModelScope 魔搭社区上的数据集，采用 CC-BY-4.0 许可。

- **Repository**: Jack0702/HCSK
- **License**: CC-BY-4.0
- **Downloads**: 317
- **Stars**: 0
- **Last updated**: 2026-07-29

Source: https://www.modelscope.cn/datasets/Jack0702/HCSK

---

# Household Chemicals Safety Knowledge Dataset (HCSK)

## 数据集简介

HCSK是一个面向家庭化学品安全风险评估AI Agent训练的多源知识数据集。数据全部来自官方公开渠道，覆盖17万余种化学物质、7.5万余款家庭产品、35万余条成分记录、7类法规管控列表和7.2万余条产品召回记录。每条记录均包含完整溯源信息（数据源URL、采集时间、获取方式、原始记录哈希），支持AI模型在化学品识别、成分验证、风险评估和法规合规等场景的训练与微调。

## 数据集支持的任务

- 化学物质多标识符匹配与验证（CAS/InChIKey/UNII/EC Number等）
- 产品成分OCR结果校验与纠错
- 危害分类预测（致癌/致突变/生殖毒性/致敏/急性毒性等）
- 法规合规状态判定（IARC/NTP/EPA/中国危化目录/Prop65等）
- 产品混用风险检测
- 暴露场景风险评估
- 家庭化学品知识图谱构建
- 表格问答（基于化学品安全数据）

## 数据集的格式和结构

### 数据格式

所有数据以CSV格式存储，UTF-8编码，首行为字段名。JSON类型字段以JSON字符串形式存储。

### 数据规模

| 表名 | 记录数 | 说明 |
|------|--------|------|
| chemical_substance | 173,898 | 化学物质主表 |
| chemical_identifier_mapping | 850,617 | 标识符多源映射 |
| chemical_synonym | 51,579 | 物质名称同义词 |
| chemical_source_provenance | 147,759 | 数据源溯源记录 |
| product_ingredient | 350,333 | 产品成分清单 |
| household_product | 75,617 | 家庭产品主表 |
| hazard_classification | 18,045 | 危害分类（IARC/NTP/ECHA/EPA/GB30000） |
| regulatory_control_list | 4,867 | 法规管控清单（7类） |
| exposure_factor | 598,009 | 暴露因子 |
| exposure_scenario | 132,030 | 暴露场景 |
| product_recall_inspection | 72,223 | 产品召回记录 |
| cosmetic_ingredient_restriction | 11,513 | 化妆品成分限制 |
| product_sds | 0 | 安全数据表（SDS 16节） |
| product_registration | 2,758 | 产品注册备案 |
| product_version_pack | 6,494 | 产品版本包装 |
| standard_limit | 1,771 | 标准限值 |
| regulation_standard | 101 | 法规标准 |
| poisoning_event | 978 | 中毒事件 |
| family_risk_rule | 3,191 | 家庭风险规则 |
| usage_behavior | 600 | 使用行为 |
| household_space | 75 | 家庭空间 |
| household_member | 36 | 家庭成员 |
| household_pet | 5 | 家庭宠物 |
| unverified_claims | 15 | 未验证声明 |
| v_substance_identifier_coverage | 1 | 标识符覆盖率统计视图 |
| cameo_reactive_group | 68 | CAMEO反应性分组（NOAA官方68类） |
| chemical_incompatibility | 14 | 化学品混用风险对（含9对HIGH危险） |
| **总计** | **2,502,597** | |

### 标识符覆盖率

| 标识符 | 覆盖数 | 覆盖率 |
|--------|--------|--------|
| InChIKey | 126,702 | 72.9% |
| CAS RN | 133,248 | 76.6% |
| UNII | 134,194 | 77.2% |
| EC Number | 47,583 | 27.4% |
| EPA DTXSID | 90,887 | 52.3% |
| PubChem CID | 123,466 | 71.0% |

### 产品类别分布

| 类别 | 数量 |
|------|------|
| 化妆品 | 49,696 |
| 个人护理 | 8,255 |
| 清洁剂 | 4,785 |
| 洗衣用品 | 1,559 |
| 电子产品 | 1,320 |
| 文具 | 1,276 |
| 洗碗剂 | 1,197 |
| 空气清新剂 | 1,081 |
| 玩具 | 1,027 |
| 宠物护理 | 981 |
| 装修材料 | 933 |
| 药品 | 891 |
| 食品接触材料 | 885 |
| 园艺用品 | 882 |
| 农药 | 838 |
| DIY | 11 |
| **总计** | **75,617** |

### 法规管控列表覆盖

| 列表类型 | 记录数 |
|---------|--------|
| 中国危险化学品目录 | 2,667 |
| 加州Prop65 | 1,040 |
| EPA危害分类 | 486 |
| NTP致癌物 | 272 |
| IARC 2B类致癌物 | 272 |
| IARC 2A类致癌物 | 76 |
| IARC 1类致癌物 | 54 |
| **总计** | **4,867** |

### 数据分片

- **train**: 全部27张表完整数据
- **validation**: 3张核心表（chemical_substance、product_ingredient、hazard_classification）的10%随机采样

## 数据集加载方式

### 通过ModelScope SDK加载

```python
from modelscope import MsDataset

# 加载训练集
ds = MsDataset.load('household-chemicals-safety-knowledge', split='train')
print(ds[0])

# 加载验证集
ds_val = MsDataset.load('household-chemicals-safety-knowledge', split='validation')
```

### 通过DuckDB直接查询

```python
import duckdb

# 如需关联查询，建议使用原始DuckDB文件
con = duckdb.connect('household_chemicals.duckdb', read_only=True)

# 查询次氯酸钠的完整信息
result = con.execute("""
    SELECT cs.cas_rn, cs.display_name_zh, hc.hazard_type, hc.classification_level
    FROM chemical_substance cs
    LEFT JOIN hazard_classification hc ON cs.inchikey = hc.inchikey
    WHERE cs.cas_rn = '7681-52-9'
""").fetchdf()
print(result)
```

### 通过pandas加载CSV

```python
import pandas as pd

# 加载化学物质表
df = pd.read_csv('data/train/chemical_substance.csv')
print(f"化学物质总数: {len(df)}")
print(df[['cas_rn', 'display_name_en', 'display_name_zh']].head())
```

## 数据集生成的相关信息

### 原始数据来源

全部数据来自政府机构和国际组织的官方公开数据源，无任何合成数据或电商爬取数据。

| 数据源 | 机构 | 国家/地区 | 数据类型 |
|--------|------|----------|---------|
| FDA UNII | 美国食品药品监督管理局 | 美国 | 化学物质标识 |
| CosIng | 欧盟委员会 | 欧盟 | 化妆品成分 |
| EPA SCIL | 美国环保署 | 美国 | 安全成分清单 |
| EPA CompTox | 美国环保署 | 美国 | 毒理学数据 |
| EPA EFH | 美国环保署 | 美国 | 暴露因子手册 |
| EPA Safer Choice | 美国环保署 | 美国 | 认证产品清单 |
| ECHA CLP | 欧洲化学品管理局 | 欧盟 | 危害分类 |
| IARC | 国际癌症研究机构 | WHO | 致癌分级 |
| NTP | 美国国家毒理学计划 | 美国 | 致癌物报告 |
| NMPA IECIC | 国家药品监督管理局 | 中国 | 化妆品原料目录 |
| GB 30000 | 中国国家标准 | 中国 | GHS分类国标 |
| OPENFDA | 美国食品药品监督管理局 | 美国 | 召回数据 |
| RAPEX | 欧盟委员会 | 欧盟 | 快速预警系统 |
| RASFF | 欧盟委员会 | 欧盟 | 食品饲料预警 |
| CPSC | 美国消费品安全委员会 | 美国 | 消费品召回 |
| SAMR | 国家市场监督管理总局 | 中国 | 市场监管召回 |
| Open Beauty Facts | Open Beauty Facts | 国际 | 化妆品产品（ODbL） |
| Open Products Facts | Open Products Facts | 国际 | 家庭用品（ODbL） |
| NOAA CAMEO | NOAA响应恢复办公室 | 美国 | 化学品反应性数据 |

### 数据处理流程

1. 从各官方源批量下载原始数据（API/Bulk Download/官方数据集）
2. ETL脚本清洗、归一化、去重
3. 多源交叉验证标识符（CAS/InChIKey/UNII等）
4. 外键完整性检查与修复
5. 中文名映射（离线映射表+Wikidata SPARQL）
6. 法规列表整合（IARC/NTP/EPA/中国目录）
7. 数据质量评估（CHECK约束/UNIQUE约束/外键完整性/溯源完整性）
8. VACUUM+CHECKPOINT优化

### 溯源信息

每条记录包含完整溯源字段：
- `source_url`: 原始数据页面URL
- `source_fetched_at`: 数据采集时间
- `access_method`: 获取方式（BULK_DOWNLOAD/API/WEB_SCRAPE/MANUAL）
- `raw_record_hash`: 原始记录SHA-256哈希
- `raw_record_json`: 原始记录完整JSON
- `license`: 数据源许可证

## 数据集版权信息

本数据集采用 **CC-BY-4.0** (Creative Commons Attribution 4.0 International) 许可证。

所有原始数据来自政府机构和国际组织的公开数据源，原始数据属于公共领域。数据集的汇编、清洗、结构化设计受CC-BY-4.0保护。

使用时请注明数据来源，并引用本数据集。

## 引用方式

```
@dataset{hcsk2026,
  title={Household Chemicals Safety Knowledge Dataset (HCSK)},
  author={无毒先锋},
  year={2026},
  url={https://www.modelscope.cn/datasets/},
  note={2,502,597 records across 27 tables, covering 173,898 chemical substances and 75,617 household products from 17 official sources}
}
```

## 其他相关信息

### 局限性

- 中文名覆盖率：化学物质34.45%，产品17.25%（新增EPA/OPF/OBF产品暂无中文名），开发阶段持续补齐
- EC Number覆盖率27.4%（受ECHA C&L Inventory WAF拦截限制）
- 中国暴露数据占比较低（0.42%），主体为美国EPA EFH数据
- product_version_pack仅覆盖8.6%产品（包装信息非阻塞）
- product_sds当前为0条（EPA Safer Choice不含SDS数据，待后续接入）

### 敏感信息

本数据集不含个人隐私数据。household_member和household_pet表为参考模板数据，非真实用户信息。

### 数据质量验证

- InChIKey唯一性: 0重复
- UNII唯一性: 0重复
- EPA DTXSID唯一性: 0重复
- CHECK约束: 0违规
- 外键完整性: 核心表100%
- 溯源覆盖率: 100%