PLAtE: A Large-scale Dataset for List Page Web Extraction

要約

最近、ニューラル モデルを利用して、半構造化 Web サイトからの情報抽出のパフォーマンスが大幅に向上しました。
ただし、継続的な進歩の障壁となっているのは、これらのモデルをトレーニングするのに十分な大きさのデータセットの数が少ないことです。
この作業では、挑戦的な新しい Web 抽出タスクとして PLAtE (Pages of Lists Attribute Extraction) ベンチマーク データセットを紹介します。
PLAtE は、ショッピング データ、具体的には、(1) 製品リストのセグメント化の境界を見つける、(2) 各製品の属性を抽出する、というタスクを含む複数のアイテムを含む製品レビュー ページからの抽出に焦点を当てています。
PLAtE は、6,694 ページから収集された 52,898 の項目と 156,014 の属性で構成されており、初の大規模リスト ページ Web 抽出データセットとなります。
私たちは多段階のアプローチを使用してデータセットを収集して注釈を付け、3 つの最先端の Web 抽出モデルを 2 つのタスクに適応させ、定量的および定性的に長所と短所を比較します。

要約(オリジナル)

Recently, neural models have been leveraged to significantly improve the performance of information extraction from semi-structured websites. However, a barrier for continued progress is the small number of datasets large enough to train these models. In this work, we introduce the PLAtE (Pages of Lists Attribute Extraction) benchmark dataset as a challenging new web extraction task. PLAtE focuses on shopping data, specifically extractions from product review pages with multiple items encompassing the tasks of: (1) finding product-list segmentation boundaries and (2) extracting attributes for each product. PLAtE is composed of 52, 898 items collected from 6, 694 pages and 156, 014 attributes, making it the first largescale list page web extraction dataset. We use a multi-stage approach to collect and annotate the dataset and adapt three state-of-the-art web extraction models to the two tasks comparing their strengths and weaknesses both quantitatively and qualitatively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google