---
title: TalkingData_Mobile_User_Demographics
canonical_url: "https://www.modelscope.cn/datasets/llmlearningX/TalkingData_Mobile_User_Demographics"
md_url: "https://www.modelscope.cn/datasets/llmlearningX/TalkingData_Mobile_User_Demographics.md"
repository: llmlearningX/TalkingData_Mobile_User_Demographics
chinese_name: "移动用户人口属性预测竞赛数据集"
last_updated: 2025-12-27
license: "Apache License 2.0"
downloads: 50
stars: 0
---

# TalkingData_Mobile_User_Demographics

> TalkingData_Mobile_User_Demographics - llmlearningX 在 ModelScope 开源的数据集。本数据集源自Kaggle著名的TalkingData移动用户人口属性预测竞赛。数据涵盖了脱敏后的用户手机品牌、型号、App安装列表及实时行为事件等多维度信息。其核心任务是通过分析用户的移动互联网行为习惯，预测其性别及所属年龄段。该数据集是研究大规模异构特征融合、高维稀疏数据建模以及用户画像精准刻画的经典商业实战案例，广泛应用于广告定向投递与个性化推荐等领域

llmlearningX/TalkingData_Mobile_User_Demographics 是 ModelScope 魔搭社区上的数据集，采用 Apache License 2.0 许可。

- **Repository**: llmlearningX/TalkingData_Mobile_User_Demographics
- **License**: Apache License 2.0
- **Downloads**: 50
- **Stars**: 0
- **Last updated**: 2025-12-27

Source: https://www.modelscope.cn/datasets/llmlearningX/TalkingData_Mobile_User_Demographics

---

数据集文件元信息以及数据文件，请浏览“数据集文件”页面获取。

当前数据集卡片使用的是默认模版，数据集的贡献者未提供更加详细的数据集介绍，但是您可以通过如下GIT Clone命令，或者ModelScope SDK来下载数据集

#### 下载方法 
:modelscope-code[]{type="sdk"}
:modelscope-code[]{type="git"}

# # TalkingData 移动用户人口属性预测数据集

### ## 1. 数据集简介
本数据集源自 Kaggle 著名的商业数据挖掘竞赛 **"TalkingData Mobile User Demographics"**。TalkingData 是中国领先的移动数据平台，该数据集包含了大量经过脱敏处理的真实移动端用户行为数据。

### ## 2. 核心任务
* **任务目标**：基于用户的移动设备行为数据（如 App 安装列表、活跃时间、地理位置等），预测用户的人口统计学属性——**性别**（男/女）和**年龄段**（如 22-28 岁、29-31 岁等）。
* **任务类型**：多分类问题（Multi-class Classification）。

### ## 3. 文件构成与说明
数据包含多个相互关联的压缩包，涵盖了从设备信息到具体行为事件的多个维度：

| 文件名称 | 内容说明 |
| :--- | :--- |
| **gender_age_train.csv.zip** | 训练集，包含用户 ID 及其对应的性别和年龄标签。 |
| **gender_age_test.csv.zip** | 测试集，仅包含用户 ID，用于模型预测评估。 |
| **events.csv.zip** | 行为事件数据，包含事件发生的具体时间戳及地理位置经纬度。 |
| **app_events.csv.zip** | 关联事件与 App，记录了在特定事件中哪些 App 被调用。 |
| **app_labels.zip** | App 与类别标签的映射关系。 |
| **label_categories.zip** | 标签类别的具体说明（如“教育”、“金融”、“游戏”等）。 |
| **phone_brand_device_model.zip** | 设备信息，记录了每个用户 ID 对应的手机品牌和具体型号。 |

### ## 4. 技术价值与应用场景
* **用户画像建模**：学习如何通过碎片化的行为数据构建精准的用户标签体系。
* **高维稀疏特征处理**：App 列表和标签数据具有典型的高维稀疏特性，是练习特征工程（Feature Engineering）的极佳素材。
* **商业应用**：该技术直接应用于精准广告投放、个性化推荐以及市场受众分析等商业场景。

### ## 5. 许可证
本数据集采用 **Apache License 2.0** 开源协议。