Datasets:
Tasks:
Sentence Similarity
Modalities:
Text
Formats:
parquet
Languages:
Spanish
Size:
10K - 100K
License:
File size: 2,175 Bytes
3d6d5ec ad959ce 3d6d5ec ad959ce | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 | ---
language:
- es
license: apache-2.0
size_categories:
- 10K<n<100K
task_categories:
- sentence-similarity
tags:
- contrastive-learning
- e-commerce
- sentence-transformers
- spanish
- mercadolibre
dataset_info:
features:
- name: producto_a
dtype: string
- name: producto_b
dtype: string
splits:
- name: train
num_bytes: 2602909
num_examples: 25797
download_size: 2079544
dataset_size: 2602909
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Pares de Productos para Contrastive Learning (Español)
**25.797 pares positivos** de títulos de productos que pertenecen a la misma categoría,
listos para entrenar embeddings con contrastive learning (`MultipleNegativesRankingLoss`).
## Contenido
Cada fila es un par `(producto_a, producto_b)` de la **misma categoría** — un par positivo.
Los negativos se generan automáticamente durante el entrenamiento (in-batch negatives),
por lo que este dataset solo contiene los positivos.
Ejemplo:
| producto_a | producto_b |
|---|---|
| Depiladora No No Classic | Depiladora Laser Diodo Soprano Ice Platinum |
| Ruana Capa Poncho Estilo Burberry | Poncho Cambiador Playero Surf Hombre |
## Uso
```python
from datasets import load_dataset
from sentence_transformers import InputExample
ds = load_dataset("Mateo-Rua/pares-productos-ecommerce-es")["train"]
ejemplos = [InputExample(texts=[r["producto_a"], r["producto_b"]]) for r in ds]
```
## Procesamiento
Derivado del [MeLi Data Challenge 2019](https://www.kaggle.com/datasets/abugim/meli-data-challenge-2019)
(Mercado Libre). Los pares se construyeron emparejando títulos de la misma categoría, tras
filtrar por idioma español, calidad de etiqueta (`reliable`) y limpieza de duplicados.
## Modelo entrenado con estos datos
[Mateo-Rua/embeddings-productos-ecommerce-es](https://huggingface.co/Mateo-Rua/embeddings-productos-ecommerce-es)
— embeddings de productos con Recall@10 de 0.921.
## Fuente
Datos originales: MeLi Data Challenge 2019 (Mercado Libre). Subconjunto transformado con
fines educativos y de portafolio.
**Autor:** [Mateo Rúa](https://huggingface.co/Mateo-Rua) |