【免费下载链接】MatrAIx_Persona_1M
MatrAIx Persona 1M 是一个包含 999,847 个人格画像（Persona）的开源数据集，每条画像由 1,290 个分类属性描述。本文一次性讲清它的"仅限非商业研究"许可证、7 个上游数据源的版权条款与合规红线，帮你在商用前快速判断使用边界，避免踩雷。
数据集速览：先搞清楚你在用什么
MatrAIx Persona 1M 的构成是理解许可证的前提——不同来源的数据，版权状态完全不同：
| 来源（source） | 行数 | 说明 |
|---|---|---|
| wiki（Wiki 抽取） | 323,438 | 从 Wikipedia 文本模型抽取 |
| stackoverflow（开发者调查） | 113,120 | Stack Overflow 年度开发者调查 |
| amazon（评论抽取） | 97,915 | Amazon 评论抽取 |
| gss（通用社会调查） | 63,532 | NORC GSS 调查数据 |
| synthetic（全 DAG 合成） | 400,000 | 本项目生成，纯合成 |
| prism（对齐对话） | 1,487 | 人工撰写 + 模型回复 |
| real_human_survey（真人问卷） | 355 | 知情同意收集的问卷 |
其中 599,847 条（60%）来自真实记录，400,000 条（40%）为合成。数据以 10 个 Zstandard 压缩 Parquet 分片存储，共 4.17 GB，如 data/persona-1m-0000.parquet。构建细节可参考 RESULTS.md 与 manifest.json。
核心结论：数据仅限非商业研究使用 ⚠️
这是全文最重要的一句话，来自 README.md 的 "License and Terms" 章节：
MatrAIx Persona 1M is released for non-commercial research use only.
拆开来说就是四条铁律：
- 数据集、任何子集、任何衍生品，用于商业产品或付费托管服务都不被允许；
- 数据集的许可标识为
matraix-research-only（见 README.md front-matter），不是 MIT；MatrAIx-Persona-8B 仓库上的 MIT 许可证只覆盖该仓库的软件，不覆盖这些数据文件； - 抽取子集不构成重新授权——哪怕你只拿走那 400,000 条合成记录，条款原样继承；
- 模型生成的文本内容仍受相应模型服务方条款约束。
7 个上游来源版权逐条拆解 🔍
数据集本身只是"打包方"，上游来源的许可证继续约束底层数据，官方明确说明"商用权利不在我们授予范围内"。逐条看：
1. Wiki 抽取（323,438 行）：CC BY-SA 4.0
Wikipedia 文本采用 CC BY-SA 4.0，属性本身是模型抽取的衍生品。注意 SA（相同方式共享）条款：你的衍生作品若对外发布，需以相同协议共享。
2. Stack Overflow 调查（113,120 行）：ODbL 1.0
年度开发者调查数据采用 ODbL 1.0，内容本身为 DbCL 1.0，且要求署名（attribution required）。ODbL 是数据库专用协议，二次分发数据库时义务较重。
3. Amazon 评论抽取（97,915 行）：研究用途
上游 Amazon Reviews 2023（McAuley Lab）标注为研究用途，且 Amazon 平台使用条款（conditions of use）持续适用。这是 7 个来源里商用限制最明确的"红灯"。
4. GSS（63,532 行）：NORC 使用条款
通用社会调查数据受 NORC General Social Survey 使用条款约束，属于带条款的政府调查数据，需按条款注册与引用。
5. PRISM 对齐数据（1,487 行）：双协议混合
人工撰写文本为 CC BY 4.0，但模型回复部分为 CC BY-NC 4.0（非商业），且模型服务方条款同样适用——一个来源内部就有商用分界。
6. 真人问卷（355 行）：CC BY 4.0 + 知情同意
以知情同意方式收集，回应数据以 CC BY 4.0 发布；未收集姓名、联系方式或账号标识。原文 508 条中 153 条未成年记录已按合规要求移除。
7. 全 DAG 合成（400,000 行）：本项目生成
由本项目生成，执行同样的仅研究条款；生成的文本描述仍受相应模型服务方条款约束。⚠️ 特别注意：合成记录不因此变得可以自由商用，它继承数据集的整体条款。
各来源的行数与描述覆盖统计可核对 audit.json 中的 source_stats 字段。
4 条合规红线：负责任使用要求 🚫
论文附录 N 定义的负责任使用要求适用于一切使用场景（详见 README.md）：
- ❌ 不得冒充真实个人；
- ❌ 不得将数据归因到可识别的个体；
- ❌ 不得尝试再识别（re-identification）；
- ❌ 不得针对个人或受保护群体做定向营销/歧视性应用。
此外，引用义务：使用时需引用 MatrAIx 论文并链接数据集卡片，同时遵守各上游来源的署名要求（如 ODbL、CC BY 系列）。
商用场景速查表 ✅/❌
| 使用场景 | 是否允许 |
|---|---|
| 学术机构内部研究、论文实验 | ✅ |
| 开源论文复现、教学演示 | ✅ |
| 抽取子集用于非商业分析 | ✅ |
| 嵌入商业产品的推荐/营销系统 | ❌ |
| 付费 API / 托管服务的数据底座 | ❌ |
| 用 400,000 条合成数据训练商用模型 | ❌（子集继承条款） |
| 把数据清洗后"洗白"再分发 | ❌（衍生品同受约束） |
版本管理与数据撤回机制 📋
数据集在 Hub 上做了版本化管理，随附清单与逐文件哈希：
- manifest.json：记录每个分片的行数、字节数与 SHA-256，任何改动都会体现为新版本；
- indexes/manifest.json：分片行偏移索引，配合 indexes/postings.sqlite 的值倒排索引做快速筛选；
- 若记录被撤回（例如问卷参与者撤销同意），删除行为会在 README 中记录，下游用户有义务迁移到最新版本并删除已撤回记录的本地副本。
如何获取数据集
git clone https://gitcode.com/hf_mirrors/MatrAIx2026/MatrAIx_Persona_1M
注意：压缩分片不能用 datasets 直接打开，需用 pyarrow 按 persona_codes.schema.json 解码（4-bit 码打包规则）。想先看数据长什么样，可以浏览 sample/sample.parquet——999 条已解码画像，覆盖全部 7 个来源。
写在最后
商用前只需记住三件事：
- 数据集整体 = 非商业研究专用，子集与衍生品一律继承；
- 7 个上游来源各自带牌，商用权利上游方保留，本项目无权转授；
- 4 条负责任使用红线在任何场景下都生效。
如果确有商用需求，正确做法是分别联系各上游权利方（NORC、McAuley Lab、模型服务方等）取得授权，而不是指望从本仓库获得一揽子许可。
参考资料： README.md · RESULTS.md · manifest.json · audit.json · calibration_targets.json
【免费下载链接】MatrAIx_Persona_1M
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
