Google推出数据集搜索！百度，你怎么看？

作者 | 非主流

出品 | AI科技大本营（公众号ID：rgznai100）

继 Google Scholar（Google 学术搜索）之后，Google 又为科研工作者推出了一款重磅产品—— Google Dataset Search（Google 数据集搜索）。

网址：

https://toolbox.google.com/datasetsearch

为什么说这款产品如此重要？因为数据从未如此重要。由于深度学习的兴起，AI 研究员需要大量的数据来训练他们的模型，吴恩达就曾表示，深度学习像火箭，计算是引擎，数据是燃料。有时候，数据可能比算法更重要。

然而，数据集和相关数据往往分布在网上的多个数据存储区中。在大多数情况下，搜索引擎既无法提供这些数据库相关信息的链接，也不会将这些信息编入索引，这会导致数据寻找变得无比繁琐，或者在某些情况下无法实现。

一些掌握了大量数据的互联网公司也因此拥有很大的优势，而高校的学者除了一些公开的知名数据集，想要拥有大量的数据则非常困难，因此 Google 的这款产品可谓是及时雨。当然，其他需要各种数据的工作者也能从中受益。

Google Dataset Search 为用户提供了能够同时搜索多个存储区的单个界面，希望借此改变用户发布和运用数据的方式。

现在，就让我们来一起看下这款搜索工具。

与 Google Scholar 类似，Google Dataset Search 可方便用户查找托管在任何位置的数据集，无论是出版网站、数字图书馆还是作者的个人网页。

为了创建 Dataset Search，Google 还为数据集提供方制定了一套数据指南（https://developers.google.com/search/docs/data-types/dataset）。这些指南包括有关数据集的重要信息：数据集的作者，发布时间，数据收集方式，使用数据的条款等等。然后，Google 收集并链接这些信息，分析同一数据集的不同版本可能在哪里，并找到可能描述或讨论这一数据集的出版物。

Google 的指南是基于一个数据集的开放标准（schema.org），任何发布数据的人都可以通过这种方式描述他们的数据集。

在这个新版本中，用户可以找到很多环境和社会科学相关的数据集，以及其他学科的数据，包括政府数据和新闻机构提供的数据，如 ProPublica。随着越来越多的数据仓库使用 schema.org 标准来描述他们的数据集，Google Dataset Search 能够搜索到的数据集的种类和覆盖面将持续增长。

目前 Google Dataset Search 已经支持多种语言，笔者尝试了下，除了英文，还支持中文。

我们先尝试下英文搜索，如果你想分析天气记录，那么就可以在 Google Dataset Search 的输入栏里尝试输入“daily weather”，结果如下图所示：

可以看到，左边栏呈现的是各种数据源，右边则是相应的介绍，包括数据集的名称、下载链接、更新日期、提供者、说明等等，非常清晰。

现在，我们来尝试下中文，在搜索栏输入“房价”，第一条就是中国房价的数据集，该数据集由 CEIC 提供，涵盖的时间段从 2017年7月1日 — 2018 年 6 月 1 日，算是非常新的数据了。

打开该数据集的链接，嗯，是个收费网站。不过，花钱能解决的事，总比毫无头绪来得好。

Dataset Search 的发布凸显了 Google 对数据集的重视。最近，Google 也对自家的 Google Search 也进行了改进，使得用户搜索结果中发现表格数据变得更加容易，不过该计划更侧重于新闻机构和数据记者，而 Dataset Search 的受众则更加广泛。

Google 表示，这个项目能够带来下列好处：

• a) 形成数据共享生态系统，鼓励数据发布者依照最佳做法来存储和发布数据；
• b) 为科学家提供相应平台，方便大众引用他们创建的数据集，展现他们的研究成果所带来的影响力。

当然，Google Dataset Search 的搜索质量取决于数据发布者，因此，如果大家都用开放标准来描述自己的数据，那么搜索结果肯定会越来越好。

Google Dataset Search 目前仍处于测试阶段，虽然支持中文搜索，但中国大陆的用户想要使用依然需要“梯子”，不过这么好的工具，错过岂不可惜！

针对 Google Scholar，2014 年 6 月百度上线了“百度学术”，不过大家似乎仍对 Google Scholar 情有独钟。这次，百度怎么看？