Sobre el proyecto

INCIDB es una base de datos de formulaciones de cuidado de la piel y cosméticos de múltiples fuentes que transforma el texto sin procesar de las etiquetas de ingredientes cosméticos en un conjunto de datos normalizado y relacional. Combina datos de productos, marcas y composición de Open Beauty Facts (ODbL) con el enriquecimiento de ingredientes del inventario CosIng de la Comisión Europea, unidos por el nombre INCI canónico exacto. El conjunto de datos contiene siete tablas: products (19.764 filas), brands (6.412), ingredients (45.327 nombres INCI canónicos distintos), product_ingredients (367.785 enlaces de composición ordenados que preservan la posición en la etiqueta), ingredient_name_map (77.367 filas que asignan tokens de etiquetas sin procesar a nombres canónicos con método de resolución y confianza), fragrance_allergens (274 entradas del Anexo III de la UE) y regulatory_status (637 filas de los Anexos II–VI de la UE). Los datos se entregan como CSV UTF-8 delimitado por barras verticales y Apache Parquet. Una característica clave es ingredient_name_map, que registra cómo se resolvió cada token de etiqueta sin procesar a un nombre INCI canónico utilizando métodos explícitos (coincidencia exacta, limpieza, mapeo de errores tipográficos, eliminación de porcentajes, eliminación de paréntesis, mapeo de sinónimos, manejo de variantes con barra, división y marcado de no resueltos). Esto permite una auditabilidad completa del pipeline de normalización en lugar de confiar en una resolución de caja negra. La cobertura de enriquecimiento se informa de dos maneras: por nombre distinto (12,2% de coincidencia con CosIng) y por ocurrencia en etiquetas (85,1% de coincidencia), lo que refleja la naturaleza de cola larga de la nomenclatura de ingredientes. El conjunto de datos incluye indicadores de alérgenos de fragancias de la UE (120 nombres marcados, el 47,2% de los productos contienen al menos uno), estado regulatorio de los Anexos II–VI de la UE, calificaciones comedogénicas para 142 ingredientes (transcritas de Fulton 1989) e indicadores de desencadenantes de acné fúngico para 275 ingredientes (heurística derivada de reglas). Hay disponible una muestra gratuita (200 productos, 1.123 ingredientes), y el conjunto de datos completo se ofrece mediante una compra única de 79 dólares. Los datos de productos siguen bajo licencia ODbL. Los casos de uso incluyen aplicaciones de escaneo de ingredientes, modelos de formulación y recomendación, enriquecimiento de mercados minoristas e investigación regulatoria. Hay un portal en vivo con esquema interactivo y estadísticas agregadas disponible en incidb.dataengineered.io.