Google又為科研工作者推出了一款重磅產品——數據集搜索

繼 Google Scholar（Google 學術搜索）之后，Google 又為科研工作者推出了一款重磅產品—— Google Dataset Search（Google 數據集搜索）。

為什么說這款產品如此重要？因為數據從未如此重要。由于深度學習的興起，AI 研究員需要大量的數據來訓練他們的模型，吳恩達就曾表示，深度學習像火箭，計算是引擎，數據是燃料。有時候，數據可能比算法更重要。

然而，數據集和相關數據往往分布在網上的多個數據存儲區(qū)中。在大多數情況下，搜索引擎既無法提供這些數據庫相關信息的鏈接，也不會將這些信息編入索引，這會導致數據尋找變得無比繁瑣，或者在某些情況下無法實現。

一些掌握了大量數據的互聯網公司也因此擁有很大的優(yōu)勢，而高校的學者除了一些公開的知名數據集，想要擁有大量的數據則非常困難，因此 Google 的這款產品可謂是及時雨。當然，其他需要各種數據的工作者也能從中受益。

Google Dataset Search 為用戶提供了能夠同時搜索多個存儲區(qū)的單個界面，希望借此改變用戶發(fā)布和運用數據的方式。

現在，就讓我們來一起看下這款搜索工具。

與 Google Scholar 類似，Google Dataset Search 可方便用戶查找托管在任何位置的數據集，無論是出版網站、數字圖書館還是作者的個人網頁。

為了創(chuàng)建 Dataset Search，Google 還為數據集提供方制定了一套數據指南（https://developers.google.com/search/docs/data-types/dataset）。這些指南包括有關數據集的重要信息：數據集的作者，發(fā)布時間，數據收集方式，使用數據的條款等等。然后，Google 收集并鏈接這些信息，分析同一數據集的不同版本可能在哪里，并找到可能描述或討論這一數據集的出版物。

Google 的指南是基于一個數據集的開放標準（schema.org），任何發(fā)布數據的人都可以通過這種方式描述他們的數據集。

在這個新版本中，用戶可以找到很多環(huán)境和社會科學相關的數據集，以及其他學科的數據，包括政府數據和新聞機構提供的數據，如 ProPublica。隨著越來越多的數據倉庫使用 schema.org 標準來描述他們的數據集，Google Dataset Search 能夠搜索到的數據集的種類和覆蓋面將持續(xù)增長。

目前 Google Dataset Search 已經支持多種語言，筆者嘗試了下，除了英文，還支持中文。

我們先嘗試下英文搜索，如果你想分析天氣記錄，那么就可以在 Google Dataset Search 的輸入欄里嘗試輸入“daily weather”，結果如下圖所示：

可以看到，左邊欄呈現的是各種數據源，右邊則是相應的介紹，包括數據集的名稱、下載鏈接、更新日期、提供者、說明等等，非常清晰。

現在，我們來嘗試下中文，在搜索欄輸入“房價”，第一條就是中國房價的數據集，該數據集由 CEIC 提供，涵蓋的時間段從 2017年7月1日 —2018 年 6 月 1 日，算是非常新的數據了。

打開該數據集的鏈接，嗯，是個收費網站。不過，花錢能解決的事，總比毫無頭緒來得好。

Dataset Search 的發(fā)布凸顯了 Google 對數據集的重視。最近，Google 也對自家的 Google Search 也進行了改進，使得用戶搜索結果中發(fā)現表格數據變得更加容易，不過該計劃更側重于新聞機構和數據記者，而 Dataset Search 的受眾則更加廣泛。

Google 表示，這個項目能夠帶來下列好處：

a) 形成數據共享生態(tài)系統(tǒng)，鼓勵數據發(fā)布者依照最佳做法來存儲和發(fā)布數據；

b) 為科學家提供相應平臺，方便大眾引用他們創(chuàng)建的數據集，展現他們的研究成果所帶來的影響力。

當然，Google Dataset Search 的搜索質量取決于數據發(fā)布者，因此，如果大家都用開放標準來描述自己的數據，那么搜索結果肯定會越來越好。

Google Dataset Search 目前仍處于測試階段，雖然支持中文搜索，但中國大陸的用戶想要使用依然需要“梯子”，不過這么好的工具，錯過豈不可惜！

針對 Google Scholar，2014 年 6 月百度上線了“百度學術”，不過大家似乎仍對 Google Scholar 情有獨鐘。這次，百度怎么看？