AutoCrawler: A Progressive Understanding Web Agent for Web Crawler Generation

要約

Web オートメーションは、一般的な Web アクションを自動化し、運用効率を高め、手動介入の必要性を減らすことにより、複雑な Web タスクを実行する重要な技術です。
ラッパーなどの従来の方法では、新しい Web サイトに直面した場合、適応性とスケーラビリティが制限されます。
一方、大規模言語モデル (LLM) によって強化された生成エージェントは、オープンワールド シナリオではパフォーマンスと再利用性が低くなります。
この研究では、垂直情報 Web ページ用のクローラ生成タスクと、クローラが多様で変化する Web 環境をより効率的に処理できるようにする LLM とクローラを組み合わせるパラダイムを紹介します。
私たちは、HTML の階層構造を活用して進歩的な理解を実現する 2 段階のフレームワークである AutoCrawler を提案します。
トップダウン操作とステップバック操作を通じて、AutoCrawler は誤ったアクションから学習し、より適切なアクションを生成するために HTML を継続的に削減できます。
私たちは複数の LLM を使用して包括的な実験を実施し、フレームワークの有効性を実証します。
この論文のリソースは \url{https://github.com/EZ-hwh/AutoCrawler} にあります。

要約(オリジナル)

Web automation is a significant technique that accomplishes complicated web tasks by automating common web actions, enhancing operational efficiency, and reducing the need for manual intervention. Traditional methods, such as wrappers, suffer from limited adaptability and scalability when faced with a new website. On the other hand, generative agents empowered by large language models (LLMs) exhibit poor performance and reusability in open-world scenarios. In this work, we introduce a crawler generation task for vertical information web pages and the paradigm of combining LLMs with crawlers, which helps crawlers handle diverse and changing web environments more efficiently. We propose AutoCrawler, a two-stage framework that leverages the hierarchical structure of HTML for progressive understanding. Through top-down and step-back operations, AutoCrawler can learn from erroneous actions and continuously prune HTML for better action generation. We conduct comprehensive experiments with multiple LLMs and demonstrate the effectiveness of our framework. Resources of this paper can be found at \url{https://github.com/EZ-hwh/AutoCrawler}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google