AgentAlphaAGI/Post-Agent

Dataset Card for Twitter Research Dataset

⚠️ Access Notice / 访问须知

Status: Closed / Restricted Access (目前闭源)

This dataset is currently private and intended strictly for academic research purposes. It is not available for public download to strictly adhere to data privacy regulations and platform terms of use.

本数据集目前处于闭源状态，仅供特定学术研究使用。出于对隐私合规及平台使用条款的严格遵守，暂不向公众开放下载。

Dataset Description (数据集简介)

本数据集包含一组从推特（Twitter）采集的公开笔记（Public Notes）及其关联评论。数据采集目标旨在支持强化学习（Reinforcement Learning, RL）训练，特别是用于构建基于真实社交互动的奖励模型（Reward Model）与用户模拟环境。

该数据集在采集过程特别实施了严格的隐私过滤机制。

• 维护者 (Curated by): AgentAlpha
• 语言 (Language): 中文 (zh)
• 许可证 (License): 仅供科研使用 (Research Use Only) - 非商业用途

Supported Tasks (支持的任务)

• 奖励模型构建 (Reward Modeling): 利用评论互动的点赞数、回复层级构建基于人类偏好（Human Preference）的奖励函数。
• 用户行为模拟 (User Behavior Simulation): 训练 Agent 模拟真实用户在社交媒体环境下的浏览路径与互动反馈，构建 RL 训练环境。
• 对话策略优化 (Conversational Policy Optimization): 基于真实的笔记-评论对（Post-Comment Pairs），使用 RL 算法优化对话 Agent 的回复策略与社交适应性。

Dataset Structure (数据结构)

虽然数据本身不可见，但为了方便合作者理解数据形态，以下是数据模式（Schema）的详细说明。

Data Instances (数据样例结构)

数据集中的每一条记录代表一篇笔记，包含其元数据（Metadata）和嵌套的评论列表。

{
  "title": "笔记标题示例",
  "content": "笔记的完整正文内容...",
  "tags": ["标签1", "标签2"],
  "meta": {
    "publish_date": "YYYY-MM-DD",
    "original_date_location": "编辑于 2024-01-01 上海",
    "author": "[已脱敏/已隐藏]"
  },
  "comments": [
    {
      "user_nick": "匿名用户_A1B2",
      "content": "这是一条评论内容...",
      "comment_like_count": 10,
      "parent_id": null,
      "date": "YYYY-MM-DD"
    }
  ]
}

Data Fields (字段说明)

Field	Type	Description
title	String	笔记的标题 / Title of the post.
content	String	笔记的正文内容 / Main body text.
tags	List[String]	笔记关联的话题标签 / Hashtags.
meta	Dict	元数据集合 (Metadata).
🔹 publish_date	String	发布日期 (Standardized).
🔹 author	String	[Anonymized] 作者昵称已脱敏或隐藏.
comments	List[Dict]	评论区数据 (含二级评论).
🔹 user_nick	String	[Anonymized] 评论者昵称 (e.g., "匿名用户_25854F").
🔹 content	String	评论内容.
🔹 parent_id	String	父评论ID (用于构建回复树).

---

Considerations for Using the Data (使用考量)

Social Impact (社会影响)

本数据集捕捉了平台上的真实用户互动，反映了当前社交媒体环境下的消费行为、流行趋势以及社区叙事风格。

Discussion of Biases (偏见讨论)

• 来源偏差 (Source Bias): 数据是基于特定的搜索关键词和推荐流采集的，可能无法代表平台用户的整体全貌。
• 选择性偏差 (Selection Bias): 采集的关键词是由研究者根据小红书往年的搜索热词所决定的，与全量爬虫相比，可能会引入特定的行为选择偏差。

Privacy & Ethical Standards (隐私与伦理)

本数据集严格遵守以下科研伦理规范：

1. 匿名化处理 (Anonymization): 评论中的用户昵称均已替换为匿名 ID（如 匿名用户_XXXX）或已隐藏。
2. 仅限公开数据 (Public Data Only): 仅包含公开可见的笔记，不涉及私信或受限内容。
3. 禁止商用 (No Commercial Use): 本数据严禁用于商业挖掘或营销目的。